CAD-SIGNet: CAD-Sprachinferenz aus Punktwolken mittels schichtweiser Sketch-Instanz-gesteuerter Aufmerksamkeit

Das Reverse Engineering im Bereich der computergestützten Konstruktion (CAD) ist ein langjähriges Ziel, das jedoch noch nicht vollständig erreicht wurde. Das primäre Ziel besteht darin, den CAD-Prozess hinter einem physischen Objekt aufzudecken, wenn dessen 3D-Scan vorliegt. Wir schlagen CAD-SIGNet vor, eine von Anfang bis Ende trainierbare und autoregressive Architektur, um die Entwurfsgeschichte eines CAD-Modells aus einer Eingabepunktwolke wiederherzustellen, wobei das Modell als Sequenz von Skizzen und Ausdrückungen dargestellt wird. Unser Modell lernt visuelle und sprachliche Darstellungen durch schichtweise Kreuzaufmerksamkeit zwischen Punktwolke und CAD-Sprachembedding. Insbesondere wird ein neues Modul für Sketch-Instanz-Guided Attention (SGA) vorgeschlagen, um die feingranularen Details der Skizzen zu rekonstruieren. Dank seiner autoregressiven Natur rekonstruiert CAD-SIGNet nicht nur eine eindeutige vollständige Entwurfsgeschichte des entsprechenden CAD-Modells bei gegebener Eingabepunktwolke, sondern bietet auch mehrere plausible Entwurfsoptionen. Dies ermöglicht interaktive Reverse-Engineering-Szenarien, indem es den Designerinnen und Designern während des Entwurfsprozesses mehrere nächste Schritte zur Verfügung stellt. Umfangreiche Experimente mit öffentlich zugänglichen CAD-Datensätzen zeigen die Effektivität unseres Ansatzes gegenüber bestehenden Baseline-Modellen in zwei Szenarien: der vollständigen Wiederherstellung der Entwurfsgeschichte und der bedingten Autovervollständigung aus Punktwolken.