[論文レビュー] ComplexGen: CAD Reconstruction by B-Rep Chain Complex Generation

Haoxiang Guo, Shilin Liu+4 more|arXiv (Cornell University)|May 29, 2022

Advanced Numerical Analysis Techniques被引用数 7

ひとこと要約

ComplexGenは、点群から完全で構造的なCADモデルを再構築するための新規フレームワークを提案する。境界表現（B-Rep）を、頂点、曲線、パッチといった幾何的プリミティブとそれらの位相的関係性を含むチェーン複体としてモデル化する。変換器ベースのニューラルネットワークを用いて、プリミティブとその位相を同時に検出した後、構造的整合性を保証するためのグローバル最適化を実施することで、従来手法に比べてより正確で完全かつ正則化されたB-Repモデルを生成する。

ABSTRACT

We view the reconstruction of CAD models in the boundary representation (B-Rep) as the detection of geometric primitives of different orders, i.e. vertices, edges and surface patches, and the correspondence of primitives, which are holistically modeled as a chain complex, and show that by modeling such comprehensive structures more complete and regularized reconstructions can be achieved. We solve the complex generation problem in two steps. First, we propose a novel neural framework that consists of a sparse CNN encoder for input point cloud processing and a tri-path transformer decoder for generating geometric primitives and their mutual relationships with estimated probabilities. Second, given the probabilistic structure predicted by the neural network, we recover a definite B-Rep chain complex by solving a global optimization maximizing the likelihood under structural validness constraints and applying geometric refinements. Extensive tests on large scale CAD datasets demonstrate that the modeling of B-Rep chain complex structure enables more accurate detection for learning and more constrained reconstruction for optimization, leading to structurally more faithful and complete CAD B-Rep models than previous results.

研究の動機と目的

• 既存のCAD再構築手法が、コーナー、曲線、パッチといった幾何的プリミティブとその位相関係を同時に検出できないという限界を解消し、不完全または一貫性のないモデルを生じさせることを防ぐ。
• 完全なB-Rep構造をチェーン複体としてモデル化し、位相的制約を活用することで、再構築の忠実性と完全性を向上させる。
• 非構造的な点群から構造に配慮したエンドツーエンドのCAD再構築を可能にする、学習と最適化のパイプラインを開発する。
• マルチパス変換器デコーダーを用いてプリミティブ間の相互関係を明示的にモデル化することで、検出精度と位相の一貫性を向上させる。
• 幾何的精錬段階で構造的制約を強制することで、より正則化され、整合性のあるB-Repモデルを実現する。

提案手法

• スパースな3次元データを効率的に処理できるよう、入力点群を空間特徴量に抽出するスパースCNNエンコーダーを採用する。
• 三重パスの変換器デコーダーが、共通のアテンションメカニズムを用いてクロスパス間の通信を実現し、コーナー、曲線、表面パッチの3種類のプリミティブとそれらの相互隣接関係を同時に生成する。
• ネットワークは各プリミティブおよびその位相的接続に関する確率的予測を出力し、不確実性を考慮した再構築を可能にする。
• グローバル最適化ステップでは、閉じた境界ループやマニフォールドエッジといった構造的制約の下で尤度を最大化することで、有効なB-Repチェーン複体を抽出する。
• 最適化された複体に対して幾何的精錬を適用し、円筒／円の垂直性やエッジの連続性といった制約を強制することで、精度を向上させる。
• 幾何的および位相的情報を統合的な最適化目的関数に統合し、最終CADモデルの整合性と有効性を保証する。

実験結果

リサーチクエスチョン

• RQ1 B-Rep構造全体をチェーン複体としてモデル化することで、点群からのCAD再構築における完全性と構造的忠実性が向上するか？
• RQ2 マルチパス変換器による幾何的プリミティブとその位相の同時予測は、独立的または逐次的予測に比べて検出精度をどのように向上させるか？
• RQ3 チェーン複体表現から得られる構造的制約は、再構築されたCADモデルの有効性と正則性をどの程度向上させるか？
• RQ4 学習と最適化を組み合わせたハイブリッドアプローチは、エンドツーエンドの学習のみに依存する手法に比べ、複雑で構造的なB-Repモデルを回復する能力で優れているか？
• RQ5 ノイズが多い、または不完全な入力点群に対して、この手法はどの程度頑健であり、主な失敗モードは何か？

主な発見

• ComplexGenは、0.03の距離閾値下で90％以上の有効性を達成するテストサンプルが97％に達するなど、位相接続の有効性比が顕著に高く、優れた性能を示した。
• ノイズや不完全な点群においても、幾何的プリミティブとその位相の検出においてベースライン手法を上回り、欠落や不完全な特徴の回復に優れた性能を発揮した。
• グローバル最適化ステップにより、閉じた境界ループやマニフォールドエッジといった構造的制約が効果的に強制され、より正則で一貫性のあるB-Repモデルが得られた。
• アブレーションスタディの結果、クロスパス通信を有するマルチパス変換器設計は、単一パスまたは独立予測に比べ、位相再構築の精度が向上した。
• ノイズや欠損データに対しても頑健であることが実証され、有効性解析から主な失敗原因はネットワークの予測誤差または最適化における局所最適解に起因することが判明した。
• プリミティブ間の相互依存関係を明示的にモデル化することで、従来手法で一般的な構造的不整合を低減し、より完全な再構築を実現した。