Simple Science

Scienza all'avanguardia spiegata semplicemente

# Informatica# Visione artificiale e riconoscimento di modelli# Grafica# Apprendimento automatico

SECAD-Net: Un Nuovo Modo per Creare Modelli CAD

SECAD-Net semplifica la creazione di modelli CAD modificabili a partire da dati grezzi utilizzando il self-supervised learning.

― 5 leggere min


SECAD-Net Trasforma laSECAD-Net Trasforma laCreazione di CADda dati grezzi.CAD facilmente modificabili a partireUno strumento innovativo per modelli
Indice

Creare modelli 3D, specialmente modelli di progettazione assistita da computer (CAD), è un compito importante in campi come ingegneria e design. Permette agli utenti di trasformare idee in modelli dettagliati e modificabili che possono essere usati per la produzione o simulazioni. Tuttavia, il processo di trasformare dati grezzi in Modelli CAD utilizzabili può essere piuttosto difficile. Questo processo richiede spesso un sacco di lavoro manuale, specialmente quando si parte da dati scannerizzati o nuvole di punti.

La Sfida dei Modelli CAD

In generale, realizzare modelli CAD da forme grezze richiede tempo e competenze specifiche. I metodi precedenti che usano l'apprendimento automatico dipendono spesso da dati etichettati, il che significa che hanno bisogno di molti esempi con segni chiari di cosa rappresenta ogni parte di una forma. Questa necessità di etichette limita la libertà con cui i modelli possono essere regolati e modificati.

Introducendo SECAD-Net

Per affrontare questi problemi, presentiamo un nuovo approccio chiamato SECAD-Net. Questo strumento utilizza l'Apprendimento Auto-Supervisionato, il che significa che può imparare dai dati senza bisogno di etichette extra. L'obiettivo di SECAD-Net è creare modelli CAD compatti e facilmente regolabili. Invece di concentrarsi subito su forme complesse, SECAD-Net impara a suddividere le forme in parti più semplici.

Ispirato al processo usato nei moderni software CAD, SECAD-Net prima impara a leggere Schizzi e poi capisce come trasformare quegli schizzi in forme 3D. Questo implica creare cilindri dagli schizzi e combinarli usando operazioni di base. Questo metodo offre maggiore flessibilità nella modellazione poiché non richiede molti passaggi rigidi.

Come Funziona SECAD-Net

SECAD-Net funziona in una serie di passaggi. Inizialmente, parte da una griglia voxel 3D, che è una rappresentazione 3D dello spazio divisa in piccoli blocchi. Da questa griglia, SECAD-Net impara a identificare come creare schizzi e come questi schizzi possano essere trasformati in forme 3D.

  1. Imparare gli Schizzi: SECAD-Net impara a creare schizzi 2D esaminando le forme grezze. Questo gli consente di comprendere i contorni e i profili che compongono la struttura complessiva.

  2. Parametri di Estrusione: Una volta stabiliti gli schizzi, SECAD-Net capisce quanto devono essere alti quando vengono trasformati in forme 3D, chiamato estrusione.

  3. Combinazione delle Forme: SECAD-Net utilizza operazioni di base per unire questi schizzi e cilindri in un modello CAD finale. Questo significa che può produrre forme più complesse unendo forme più semplici.

L'Importanza della Modificabilità

Uno dei principali vantaggi di SECAD-Net è il suo focus sulla creazione di modelli modificabili. A differenza dei metodi precedenti, che producevano forme rigide difficili da aggiustare, SECAD-Net consente agli utenti di apportare modifiche direttamente agli schizzi o ai cilindri. Questa flessibilità rende più facile per i designer affinare le proprie idee e creare varianti dei propri modelli.

Lavori Correlati nella Ricostruzione CAD

In passato, sono stati sviluppati molti approcci per creare modelli CAD da dati grezzi. Questi metodi possono essere divisi in due tipi principali: metodi geometrici tradizionali e tecniche più recenti basate su machine learning.

I metodi tradizionali coinvolgono tipicamente una serie di passaggi: partendo da dati grezzi, segmentando i dati in parti diverse, adattando forme geometriche a queste parti e infine assemblandole per formare un modello completo. Tuttavia, questi metodi possono essere lenti e spesso richiedono operatori esperti.

I metodi recenti di machine learning hanno mostrato promesse nel velocizzare questo processo. Usano reti neurali per rilevare forme e adattare modelli direttamente ai dati grezzi. Alcuni approcci cercano di produrre modelli senza molta supervisione. Tuttavia, affrontano ancora sfide riguardo alla flessibilità e alla necessità di editing.

Il Vantaggio dei Campi Impliciti

SECAD-Net introduce un nuovo modo di rappresentare schizzi usando campi impliciti. Questo significa che invece di rappresentare semplicemente gli schizzi come forme geometriche semplici, SECAD-Net utilizza un approccio più flessibile che può creare forme più morbide e complesse. Questa capacità migliora la rappresentazione degli schizzi e consente uscite più variegate.

Esperimenti e Risultati

Abbiamo testato SECAD-Net utilizzando vari dataset per convalidarne l'efficacia. Le prestazioni sono state confrontate con metodi esistenti, inclusi quelli che richiedono supervisione e quelli che non lo fanno. Questi confronti hanno mostrato che SECAD-Net non solo produce modelli di qualità migliore, ma lo fa anche con meno parti, rendendoli più facili da modificare.

Gli esperimenti hanno coinvolto la creazione di modelli da diversi tipi di dati, come griglie voxel. SECAD-Net è riuscito a produrre modelli che corrispondevano da vicino alle forme desiderate richiedendo un minimo aggiustamento manuale.

Applicazioni di SECAD-Net

SECAD-Net può essere applicato a vari compiti oltre alla semplice ricostruzione. Può aiutare nella ricostruzione da un singolo punto di vista, dove un modello viene creato da un'unica immagine. Inoltre, i modelli generati possono essere modificati in software CAD esistenti, rendendo facile per i designer apportare modifiche al proprio lavoro.

Questa flessibilità apre nuove strade per la creatività nella modellazione CAD. I designer possono utilizzare SECAD-Net per snellire il proprio flusso di lavoro e concentrarsi di più sugli aspetti creativi piuttosto che sulle sfide tecniche della creazione di modelli.

Conclusione e Direzioni Future

In sintesi, SECAD-Net offre un approccio fresco alla ricostruzione CAD focalizzandosi su auto-supervisione e modelli modificabili. Questo consente ai designer di creare e affinare più facilmente il proprio lavoro, migliorando significativamente il processo di modellazione CAD.

In futuro, ci sono piani per espandere le capacità di SECAD-Net. Questo include esplorare operazioni aggiuntive oltre all'estrusione, come tecniche di rivoluzione e di sweep. Inoltre, migliorare quanto bene SECAD-Net impara da forme variegate può aiutare a produrre modelli più realistici e più facili da adattare.

In generale, SECAD-Net non solo affronta le sfide attuali nella modellazione CAD, ma apre anche la strada a soluzioni più innovative nel campo del design e dell'ingegneria.

Fonte originale

Titolo: SECAD-Net: Self-Supervised CAD Reconstruction by Learning Sketch-Extrude Operations

Estratto: Reverse engineering CAD models from raw geometry is a classic but strenuous research problem. Previous learning-based methods rely heavily on labels due to the supervised design patterns or reconstruct CAD shapes that are not easily editable. In this work, we introduce SECAD-Net, an end-to-end neural network aimed at reconstructing compact and easy-to-edit CAD models in a self-supervised manner. Drawing inspiration from the modeling language that is most commonly used in modern CAD software, we propose to learn 2D sketches and 3D extrusion parameters from raw shapes, from which a set of extrusion cylinders can be generated by extruding each sketch from a 2D plane into a 3D body. By incorporating the Boolean operation (i.e., union), these cylinders can be combined to closely approximate the target geometry. We advocate the use of implicit fields for sketch representation, which allows for creating CAD variations by interpolating latent codes in the sketch latent space. Extensive experiments on both ABC and Fusion 360 datasets demonstrate the effectiveness of our method, and show superiority over state-of-the-art alternatives including the closely related method for supervised CAD reconstruction. We further apply our approach to CAD editing and single-view CAD reconstruction. The code is released at https://github.com/BunnySoCrazy/SECAD-Net.

Autori: Pu Li, Jianwei Guo, Xiaopeng Zhang, Dong-ming Yan

Ultimo aggiornamento: 2023-03-19 00:00:00

Lingua: English

URL di origine: https://arxiv.org/abs/2303.10613

Fonte PDF: https://arxiv.org/pdf/2303.10613

Licenza: https://creativecommons.org/licenses/by/4.0/

Modifiche: Questa sintesi è stata creata con l'assistenza di AI e potrebbe presentare delle imprecisioni. Per informazioni accurate, consultare i documenti originali collegati qui.

Si ringrazia arxiv per l'utilizzo della sua interoperabilità ad accesso aperto.

Altro dagli autori

Articoli simili