SHARP Challenge 2023: Solving CAD History and pArameters Recovery from Point clouds and 3D scans. Overview, Datasets, Metrics, and Baselines

要約

幾何学的な深層学習 (DL) における最近の進歩と大規模なコンピューター支援設計 (CAD) データセットの利用可能性により、CAD モデリング プロセスの学習と実際のオブジェクトとの関連付けに関する研究が進歩しました。
これに関連して、3D スキャンからの CAD モデルの 3D リバース エンジニアリングは、CAD 業界で最も求められている目標の 1 つであると考えられています。
ただし、最近の取り組みでは、現実世界の設定でのアプリケーションを制限する複数の単純化を前提としています。
SHARP Challenge 2023 は、専用のデータセットとトラックを通じて、CAD リバース エンジニアリングの現実世界のシナリオに研究を一歩近づけることを目的としています。
このペーパーでは、提案されている SHARP 2023 トラックを定義し、提供されたデータセットについて説明し、トラック ソリューションのパフォーマンスを評価するための適切な評価指標とともに一連のベースライン手法を提案します。
提案されたすべてのデータセットは、有用なルーチンおよび評価指標とともに公開されています。

要約(オリジナル)

Recent breakthroughs in geometric Deep Learning (DL) and the availability of large Computer-Aided Design (CAD) datasets have advanced the research on learning CAD modeling processes and relating them to real objects. In this context, 3D reverse engineering of CAD models from 3D scans is considered to be one of the most sought-after goals for the CAD industry. However, recent efforts assume multiple simplifications limiting the applications in real-world settings. The SHARP Challenge 2023 aims at pushing the research a step closer to the real-world scenario of CAD reverse engineering through dedicated datasets and tracks. In this paper, we define the proposed SHARP 2023 tracks, describe the provided datasets, and propose a set of baseline methods along with suitable evaluation metrics to assess the performance of the track solutions. All proposed datasets along with useful routines and the evaluation metrics are publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google