SECAD-Net: 자기 지도형 CAD 재구성 학습을 위한 스케치-압출 연산

원시 기하학에서 CAD 모델을 역공학하는 것은 고전적이지만 힘든 연구 문제입니다. 이전의 학습 기반 방법들은 감독된 설계 패턴이나 쉽게 편집할 수 없는 CAD 형상을 재구성하기 위해 라벨에 크게 의존했습니다. 본 연구에서는 SECAD-Net이라는 이름의 신경망을 소개합니다. 이는 원시 기하학에서 콤팩트하고 쉽게 편집할 수 있는 CAD 모델을 자기 지도 방식으로 재구성하는 데 목적을 두고 있습니다.현대적인 CAD 소프트웨어에서 가장 일반적으로 사용되는 모델링 언어에서 영감을 얻어, 우리는 2D 스케치와 3D 압출 매개변수를 원시 형상에서 학습하는 방법을 제안합니다. 각 스케치를 2D 평면에서 3D 본체로 압출하여 일련의 압출 원통을 생성할 수 있습니다. 부울 연산(즉, 합집합)을 통합함으로써 이러한 원통은 대상 기하학에 가깝게 근사될 수 있습니다. 우리는 스케치 표현에 잠재 필드를 사용하는 것을 옹호하며, 이는 스케치 잠재 공간에서 잠재 코드를 보간하여 CAD 변형을 생성할 수 있게 합니다.ABC와 Fusion 360 데이터셋에 대한 광범위한 실험은 우리 방법의 효과성을 입증하며, 감독된 CAD 재구성을 위한 관련 방법 포함하여 최신 대안들보다 우수함을 보여줍니다. 또한, 우리의 접근법은 CAD 편집과 단일 시점 CAD 재구성에도 적용되었습니다. 코드는 https://github.com/BunnySoCrazy/SECAD-Net 에 공개되어 있습니다.