論文の概要: SO(3)-Equivariant Learning on CAD Boundary Representations
- arxiv url: http://arxiv.org/abs/2611.05449v1
- Date: Tue, 03 Nov 2026 17:51:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.810331
- Title: SO(3)-Equivariant Learning on CAD Boundary Representations
- Title(参考訳): CAD境界表現におけるSO(3)-同変学習
- Abstract要約: 境界表現(B-reps)の学習は、部分のポーズに対して堅牢性を必要とする。
我々は,B-repの顔-隣接グラフ上のSO(3)-同変グラフニューラルネットワークであるSO3brepを提案する。
SO3brep は比較した B-rep ネットワークと等変点クラウドネットワークの中で最も精度が高い。
- 参考スコア(独自算出の注目度): 0.5156484100374058
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Learning on boundary representations (B-reps) requires robustness to the pose of a part, since CAD models are not stored in a canonical orientation. Existing B-rep networks either operate on world-frame coordinates and normals, and thus degrade under rotation, or encode each face in a local reference frame. Local frames yield invariance, but reduce inter-face messages to scalars and discard the relative orientation of adjacent faces. We propose SO3brep, an SO(3)-equivariant graph neural network on the B-rep face-adjacency graph. Node features are computed in local frames and mapped into a shared frame by Wigner D-matrices. Clebsch-Gordan tensor products couple these features with the directions between adjacent faces, so that relative orientation is preserved throughout message passing and the output remains SE(3)-invariant. Across three face-segmentation and two classification benchmarks with randomly rotated test parts, SO3brep achieves the highest accuracy among the compared B-rep networks and equivariant point cloud networks, with the fewest parameters. Its advantage is largest with few labeled parts, a setting typical of industrial CAD. Code is available at https://github.com/UGent-CVAMO/so3brep.
- Abstract(参考訳): 境界表現(B-reps)の学習には、CADモデルは標準向きに格納されないため、部分のポーズに頑健性が必要である。
既存のB-repネットワークは、ワールドフレーム座標とノーマルで動作するため、回転中に劣化するか、各顔をローカル参照フレームにエンコードする。
局所的なフレームは不変であるが、スカラーに対面メッセージを還元し、隣接する顔の相対的な向きを破棄する。
我々は,B-repの顔-隣接グラフ上のSO(3)-同変グラフニューラルネットワークであるSO3brepを提案する。
ノード機能はローカルフレームで計算され、Wigner D-matricesによって共有フレームにマップされる。
Clebsch-Gordanテンソル積は、これらの特徴を隣接する面間の方向と組み合わせ、相対配向はメッセージパッシングを通して保存され、出力はSE(3)不変のままである。
ランダムに回転するテスト部品を持つ3つの顔分割と2つの分類ベンチマークにおいて、SO3brepは最も少ないパラメータで比較されたB-repネットワークと同変点クラウドネットワークの中で最高の精度を達成する。
その利点は、工業CADの典型的な設定である、ラベル付き部品がほとんどない最大である。
コードはhttps://github.com/UGent-CVAMO/so3brep.comで入手できる。
関連論文リスト
- UniBRep: Learning Unified Geometry and Topology for Image-conditioned B-Rep Generation [51.601490120494326]
We present UniBRep, a geometry-first framework that adapted a pretrained image-to-3D model to generate a feature mesh as a unified intermediate representation。
標準のDeepCADベンチマークでは、UniBRepは80.49%の入力に対して有効なB-repsを生成し、顔のチャムファー距離を0.1096から0.0345に削減している。
論文 参考訳(メタデータ) (2026-10-02T21:59:29Z) - BRepCLIP: Contrastive Multimodal Pretraining on BRep Primitives for CAD Understanding [22.960026011165706]
BRepの幾何学を言語や画像の埋め込みと整合させる最初のフレームワークであるBRepCLIPを紹介する。
トランスフォーマーエンコーダはこれらのトークンをグローバルなBRep埋め込みに集約し、CLIPのテキストとイメージエンコーダと整列する。
BRepCLIPは、既存の点ベースの代替よりも差別的で意味論的に基礎付けられた埋め込みを生成する。
論文 参考訳(メタデータ) (2026-06-03T23:41:23Z) - FoV-Net: Rotation-Invariant CAD B-rep Learning via Field-of-View Ray Casting [0.5156484100374058]
我々はFoV-Netを紹介した。FoV-Netは局所曲面幾何学と大域構造文脈の両方を回転不変の方法でキャプチャする最初のB-rep学習フレームワークである。
我々は,FoV-NetがB-rep分類とセグメンテーションベンチマークの最先端性能を実現し,任意の回転を示すとともに,強い結果を得るためにトレーニングデータが少ないことを示す。
論文 参考訳(メタデータ) (2026-02-27T15:21:52Z) - BrepGPT: Autoregressive B-rep Generation with Voronoi Half-Patch [61.20046418942948]
境界表現(B-rep)はCADモデル表現のデファクトスタンダードである。
本稿では,B-rep生成のためのシングルステージ自動回帰フレームワークBrepGPTを提案する。
論文 参考訳(メタデータ) (2025-11-27T07:16:53Z) - DGC-GNN: Leveraging Geometry and Color Cues for Visual Descriptor-Free 2D-3D Matching [39.461400537109895]
画像中の2Dキーポイントとシーンのスパースな3Dポイントクラウドとを視覚ディスクリプタを必要とせずにマッチングすることは、関心の高まりを招いている。
DGC-GNNは,鍵点を表すために幾何学的および色彩的キューを利用する新しいアルゴリズムであり,マッチング精度が向上する。
我々は、DGC-GNNを屋内と屋外の両方のデータセットで評価し、最先端のビジュアルディスクリプタフリーアルゴリズムの精度を2倍にするだけでなく、ディスクリプタベースとディスクリプタフリー手法のパフォーマンスギャップを大幅に狭めることを示した。
論文 参考訳(メタデータ) (2023-06-21T20:21:15Z) - Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud
Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。
我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文 参考訳(メタデータ) (2022-12-17T15:05:25Z) - SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud
Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。
提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。
ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文 参考訳(メタデータ) (2022-09-13T12:12:19Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - SpinNet: Learning a General Surface Descriptor for 3D Point Cloud
Registration [57.28608414782315]
ローカルな特徴を抽出するために、SpinNetと呼ばれる新しい、概念的にはシンプルで、ニューラルなアーキテクチャを導入する。
屋内と屋外の両方の実験では、SpinNetが既存の最先端技術より優れていることが示されている。
論文 参考訳(メタデータ) (2020-11-24T15:00:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。