[論文レビュー] D$^2$CSG: Unsupervised Learning of Compact CSG Trees with Dual Complements and Dropouts

Fenggen Yu, Qimin Chen+3 more|arXiv (Cornell University)|Jan 27, 2023

3D Shape Modeling and Analysis被引用数 4

ひとこと要約

D$^2$CSG は、3次元 CAD 形状のコン pact で一般性があり、高品質な CSG 樹木表現を教師なし学習で学習するための二重ブランチニューラルネットワークを提案する。二つの補完的ブランチを用いて形状をカバー部と残差部に分離し、重みドロップアウトを適用することで冗長なプリミティブを除去することで、特に複雑で高ジェネラスな形状において、優れた再構成品質とコンパクト性を達成した。これは、CAPRI-Net などの最先端手法を上回る。

ABSTRACT

We present D$^2$CSG, a neural model composed of two dual and complementary network branches, with dropouts, for unsupervised learning of compact constructive solid geometry (CSG) representations of 3D CAD shapes. Our network is trained to reconstruct a 3D shape by a fixed-order assembly of quadric primitives, with both branches producing a union of primitive intersections or inverses. A key difference between D$^2$CSG and all prior neural CSG models is its dedicated residual branch to assemble the potentially complex shape complement, which is subtracted from an overall shape modeled by the cover branch. With the shape complements, our network is provably general, while the weight dropout further improves compactness of the CSG tree by removing redundant primitives. We demonstrate both quantitatively and qualitatively that D$^2$CSG produces compact CSG reconstructions with superior quality and more natural primitives than all existing alternatives, especially over complex and high-genus CAD shapes.

研究の動機と目的

• 複雑な 3次元 CAD 形状における教師なし学習における、一般性があり、コンパクトで高品質な CSG 表現の欠如を解決すること。
• ネストされた差分演算を処理できない、自然でコンパクトな木構造を生成できない従来のニューラル CSG モデルの限界を克服すること。
• 複雑な形状の補集合を専用の残差ブランチでモデル化することで、コンパクト性と再構成品質を向上させること。
• 分類確信度や教師信号を一切用いずに、占有度損失のみを用いて、エンドツーエンド微分可能に訓練できること。
• OpenSCAD スクリプト生成による形状編集といった実用的応用を可能にすること。

提案手法

• モデルは、主な形状をモデル化するカバー・ブランチと、形状の補集合をモデル化する残差ブランチという、同一で独立した二つのニューラルブランチを用いる。
• 両ブランチは、二次曲面プリミティブとその逆数の結合と交差を構築し、柔軟で一般性のある形状モデリングを可能にする。
• 最終的な再構成形状は差分演算により得られる：S = S_cover \setminus S_residual であり、穴や高ジェネラスな形状の自然な表現が可能である。
• 交差層および結合層に重みドロップアウト戦略を適用することで、冗長なプリミティブや中間形状を削除し、コンパクト性を向上させる。
• 分類ラベルや教師信号を一切用いずに、占有度損失のみを用いてエンドツーエンドに訓練され、CAD パーツにおける教師なし学習を可能にする。
• 学習されたプリミティブと CSG 演算を OpenSCAD スクリプトにエクスポートすることで、インタラクティブな形状編集を可能にする。

実験結果

リサーチクエスチョン

• RQ1 二重ブランチニューラルアーキテクチャは、複雑な 3次元 CAD 形状の CSG 樹木のコンパクト性と再構成品質を向上させることができるか？
• RQ2 形状をカバー部と残差部に分離することで、高ジェネラスな形状やネストされた穴といった複雑なトポロジーのモデリングがより良くなるか？
• RQ3 重みドロップアウトは、再構成精度を損なわずに CSG 樹木内の冗長なプリミティブを効果的に削減できるか？
• RQ4 提案手法は、任意の CSG 樹木を同等の D$^2$CSG 構造で表現可能であるという点で、証明可能に一般性を持つと言えるか？
• RQ5 学習された CSG 表現は、OpenSCAD などの CAD ツールとの相互運用性を備えた実用的形状編集に利用可能か？

主な発見

• ABC データセットでは、D$^2$CSG はチェイミング距離（CD）が 0.085 であり、CAPRI-Net の 0.225 より顕著に低い。再構成品質の優位性を示している。
• ShapeNet では、D$^2$CSG は CD が 0.224 であり、次に優れた手法（CAPRI-Net が 0.242）を上回る再構成精度を達成した。
• D$^2$CSG は ABC でプリミティブ数（#P）を 35.28、ShapeNet で 51.26 にまで削減し、二重ブランチのみのバージョンと比較して 50% の削減を達成した。
• ABC では 92.4%（NC）の F-Score を達成し、ShapeNet では 88.6% を達成し、形状類似度指標においてすべてのベースラインを上回った。
• 中間形状や表面セグメントが少ない、より自然な CSG 樹木を生成しており、構造的コンパクト性と解釈可能性の向上を示している。
• OpenSCAD スクリプト生成機能により、インタラクティブな形状編集が可能であり、実用性と相互運用性の両面で優れた実装を示している。