SECAD-Net: 自教師型CAD再構築におけるスケッチ-押出操作の学習

生データからCADモデルを逆解析することは、古典的な研究課題でありながら、困難な問題です。従来の学習ベースの手法は、監督された設計パターンに依存するためラベルに大きく頼っており、または編集が容易でないCAD形状の再構築を行っていました。本研究では、自己監督的な方法でコンパクトかつ編集しやすいCADモデルを再構築することを目指したエンドツーエンドのニューラルネットワークであるSECAD-Netを提案します。現代のCADソフトウェアで最も一般的に使用されているモデリング言語から着想を得て、2Dスケッチと3D押出パラメータを生形状から学習することを提案します。各スケッチを2D平面から3Dボディへと押出すことで、一連の押出円筒を生成することができます。論理和（union）などのブーリアン演算を取り入れることで、これらの円筒は目標形状に近似するように組み合わせることができます。私たちはスケッチ表現のために暗黙のフィールドを使用することを提唱しており、これによりスケッチ潜在空間内の潜在コードを補間することでCADバリエーションを作成することが可能になります。ABCおよびFusion 360データセットにおける広範な実験結果は、当手法の有効性を示しており、監督型CAD再構築に関連する最先端の手法よりも優れていることを証明しています。さらに、当アプローチはCAD編集や単視点からのCAD再構築にも適用されています。コードは以下のURLで公開されています: https://github.com/BunnySoCrazy/SECAD-Net.