Reconstructing editable prismatic CAD from rounded voxel models

要約

CAD形状を他の表現からリバースエンジニアリングすることは、多くのダウンストリームアプリケーションにとって重要な幾何学的処理ステップである。本研究では、この困難な課題を解決するために、新しいニューラルネットワークアーキテクチャを導入し、編集可能で制約のあるプリズムCADモデルを用いて、平滑化された符号付き距離関数を近似的に求める。本手法は、学習時に、入力形状を一連の2次元プロファイル画像と1次元包絡関数に分解することにより、ボクセル空間内で再構成する。そして、これらを微分可能な方法で再結合することで、幾何学的損失関数を定義することができる。推論の際には、まず2次元拘束スケッチのデータベースを検索してプロファイル画像に近似する曲線を見つけ、それらを押し出し、ブーリアン演算を用いて最終的なCADモデルを構築することによりCADデータを取得する。本手法は、他の手法に比べて目標形状をより忠実に近似し、既存のCADソフトと互換性のある編集性の高い制約付きパラメトリックスケッチを出力することが可能である。

要約(オリジナル)

Reverse Engineering a CAD shape from other representations is an important geometric processing step for many downstream applications. In this work, we introduce a novel neural network architecture to solve this challenging task and approximate a smoothed signed distance function with an editable, constrained, prismatic CAD model. During training, our method reconstructs the input geometry in the voxel space by decomposing the shape into a series of 2D profile images and 1D envelope functions. These can then be recombined in a differentiable way allowing a geometric loss function to be defined. During inference, we obtain the CAD data by first searching a database of 2D constrained sketches to find curves which approximate the profile images, then extrude them and use Boolean operations to build the final CAD model. Our method approximates the target shape more closely than other methods and outputs highly editable constrained parametric sketches which are compatible with existing CAD software.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL