[論文レビュー] Hierarchical Neural Coding for Controllable CAD Model Generation

Xiang Xu, Pradeep Kumar Jayaraman+3 more|arXiv (Cornell University)|Jun 30, 2023

Manufacturing Process and Optimization被引用数 7

ひとこと要約

本論文は、スケッチ・エクストルード型CADシーケンスから得られる3段階の離散的ニューラルコードの木構造（グローバル部品配置、局所的プロファイル幾何、微細な曲線特徴）を用いて、制御可能なCADモデル生成のための階層的ニューラルコーディングフレームワークを提案する。マスク付きスキップ接続を備えたVQ-VAEと段階的な自己回帰的トランスフォーマーを組み合わせることで、高精度で意図に配慮した生成と自動補完を実現する。本手法は、非条件的および条件付き生成の両方で最先端の性能を達成し、直感的なユーザー制御が可能で、多様性に富み、高品質なCAD出力を生成する。

ABSTRACT

This paper presents a novel generative model for Computer Aided Design (CAD) that 1) represents high-level design concepts of a CAD model as a three-level hierarchical tree of neural codes, from global part arrangement down to local curve geometry; and 2) controls the generation or completion of CAD models by specifying the target design using a code tree. Concretely, a novel variant of a vector quantized VAE with "masked skip connection" extracts design variations as neural codebooks at three levels. Two-stage cascaded auto-regressive transformers learn to generate code trees from incomplete CAD models and then complete CAD models following the intended design. Extensive experiments demonstrate superior performance on conventional tasks such as random generation while enabling novel interaction capabilities on conditional generation tasks. The code is available at https://github.com/samxuxiang/hnc-cad.

研究の動機と目的

• 既存の深層学習ベースのCAD生成手法における設計意図モデリングの欠如に対処すること。
• 階層的な設計概念を離散的ニューラルコードとして学習することで、制御可能で高精度なCAD生成を実現すること。
• 部分的な入力からの自動補完や意図を保全する編集といった、新たなユーザーインタラクションを支援すること。
• SkexGen や DeepCAD などの先行SOTA手法よりも、生成の多様性と忠実度を向上させること。
• CADモデル内の幾何的および構造的関係を捉えることができるニューラルコードツリー表現を確立すること。

提案手法

• スケッチ・エクストルード型CADシーケンスから3段階の離散的コードブックを学習する、マスク付きスキップ接続を備えたVQ-VAEの新規な変種を用いる。
• コードブックは、グローバル部品配置、2次元プロファイル幾何、局所的曲線レベルの特徴といった階層的な設計概念を符号化する。
• 2段階の段階的な自己回帰的トランスフォーマーにより、不完全なCADモデルからコードツリーを生成し、その後コードツリーと部分的入力を用いて完全なCADモデルを再構築する。
• 制御可能な生成のための直接的なコードツリー入力と、部分的なエクストルードプロファイルまたはループからの自動補完をサポートする。
• マスク付きスキップ接続により、潜在表現と幾何の間の構造的関係を保持することで、コードブックの学習が向上する。
• 生成されたCADモデルは、産業用CADソフトウェアとの互換性を確保するため、B-Rep形式に変換される。

Figure 1 : We propose three-level hierarchical neural coding for controllable CAD model generation. Our system learns high-level design concepts as discrete codes at different levels, enabling more diverse and higher-quality generation (top); novel user controls while specifying design intent (botto

実験結果

リサーチクエスチョン

• RQ1 階層的なニューラルコードツリーは、CAD構造の複数のレベルにわたり、高レベルの設計意図を効果的に表現できるか？
• RQ2 マスク付きスキップ接続を備えたVQ-VAEは、CAD生成に適したより分離可能で解釈可能なコードブックを学習できるか？
• RQ3 部分的なCAD入力を条件として自己回帰的トランスフォーマーが多様で忠実な完成形を生成できるか？
• RQ4 コードツリー表現は、微細な意図を保全する編集を可能にするか？
• RQ5 本手法は、条件付きおよび非条件付き生成タスクにおいて、既存のSOTA手法と比較して品質および制御性に優れているか？

主な発見

• 本手法は、非条件付きCAD生成において最先端の性能を達成し、先行SOTA手法よりも複雑で現実的であるモデルを生成する。
• 条件付き生成においては、階層的コードツリーの操作により、優れた幾何的制御と多様性を実現する。
• 部分的なエクストルードプロファイルまたはループからの自動補完は、最近傍探索ベースラインに比べ、より高い忠実度と多様性を達成する。後者は多様性が限定的で、整合性に欠ける。
• マスク付きスキップ接続を用いたコードブック学習により、インスタンスに依存しない設計パターン（例：振動するループ）を捉えつつ、曲線の数や種別といったインスタンス固有の詳細は無視する。
• コードツリーを固定し、モデルパラメータのみを更新することで、設計を保全する編集が実現され、構造的関係が自動的に維持される。
• コードツリーの編集を通じて、ユーザーが異なる抽象度のレベルで設計意図を明示できる直感的なユーザーインタラクションが可能になる。

Figure 2 : Example failures of parametric CAD, editing a design (a) by shortening or extending (green) the table. Inconsistent areas are highlighted in red.