SECAD-Net: Selbstüberwachte CAD-Rekonstruktion durch das Lernen von Skizzen-Extrudierungsvorgängen

Die Rückwärtsingenierung von CAD-Modellen aus roher Geometrie ist ein klassisches, aber anstrengendes Forschungsproblem. Vorherige lernbasierte Methoden hängen stark von Labels ab, entweder aufgrund der überwachten Designmuster oder weil sie CAD-Formen rekonstruieren, die nicht leicht editierbar sind. In dieser Arbeit stellen wir SECAD-Net vor, ein von Anfang bis Ende konzipiertes neuronales Netzwerk, das darauf abzielt, kompakte und leicht editierbare CAD-Modelle in einem selbstüberwachten Modus zu rekonstruieren. Inspiriert durch die Modelliersprache, die in moderner CAD-Software am häufigsten verwendet wird, schlagen wir vor, 2D-Skizzen und 3D-Ausdruckparameter aus rohen Formen zu lernen. Aus jeder Skizze kann durch Extrudieren einer 2D-Ebene in einen 3D-Körper eine Reihe von Extrusionszylindern generiert werden. Durch die Einbeziehung der Booleschen Operation (d.h., Vereinigung) können diese Zylinder kombiniert werden, um das Zielgeometrie eng anzunähern. Wir befürworten die Verwendung impliziter Felder für die Skizzendarstellung, was es ermöglicht, CAD-Varianten durch Interpolation von Latentcodes im Skizzen-Latentraum zu erstellen. Umfangreiche Experimente sowohl mit dem ABC-Datensatz als auch mit dem Fusion 360-Datensatz zeigen die Effektivität unserer Methode und ihre Überlegenheit gegenüber den neuesten Alternativen, einschließlich der verwandten Methode zur überwachten CAD-Rekonstruktion. Wir wenden unseren Ansatz außerdem auf die Bearbeitung von CAD-Modellen und die Rekonstruktion aus einer einzelnen Sicht an. Der Code ist unter https://github.com/BunnySoCrazy/SECAD-Net veröffentlicht.