[論文レビュー] Point2Cyl: Reverse Engineering 3D Objects from Point Clouds to Extrusion Cylinders

Mikaela Angelina Uy, Yen-yu Chang+5 more|arXiv (Cornell University)|Dec 17, 2021

3D Shape Modeling and Analysis被引用数 4

ひとこと要約

Point2Cyl は、3次元点群を分解して、2次元スケッチ、押し出し軸、および長さで定義されるパラメトリックなプリミティブ（押し出し円筒）として編集可能な CAD モデルに逆工程化する深層学習フレームワークを提案する。この手法は、各点ごとのセグメンテーション、法線、ベース／バーレルラベルを予測するニューラルネットワークを用い、微分可能で閉形式の定式化により押し出しパラメータを推定する。Fusion Gallery および DeepCAD データセットにおいて最先端の性能を達成し、直接的な CAD 互換性を備えた編集が可能である。

ABSTRACT

We propose Point2Cyl, a supervised network transforming a raw 3D point cloud to a set of extrusion cylinders. Reverse engineering from a raw geometry to a CAD model is an essential task to enable manipulation of the 3D data in shape editing software and thus expand their usages in many downstream applications. Particularly, the form of CAD models having a sequence of extrusion cylinders -- a 2D sketch plus an extrusion axis and range -- and their boolean combinations is not only widely used in the CAD community/software but also has great expressivity of shapes, compared to having limited types of primitives (e.g., planes, spheres, and cylinders). In this work, we introduce a neural network that solves the extrusion cylinder decomposition problem in a geometry-grounded way by first learning underlying geometric proxies. Precisely, our approach first predicts per-point segmentation, base/barrel labels and normals, then estimates for the underlying extrusion parameters in differentiable and closed-form formulations. Our experiments show that our approach demonstrates the best performance on two recent CAD datasets, Fusion Gallery and DeepCAD, and we further showcase our approach on reverse engineering and editing.

研究の動機と目的

• 設計ワークフローで使用可能な CAD モデルに、3次元点群を逆工程化する課題に対処すること。
• 基本プリミティブではなく、押し出し円筒として形状を表現する幾何学的根拠に基づいた分解手法を開発すること。
• 形状の編集、バリエーション作成、CAD インポートなどの後続応用を可能にするために、解釈可能でパラメトリックな出力を得ること。
• 従来のプリミティブ適合や B-Rep 再構築の限界を克服し、スケッチ・押し出し操作をネイティブにモデル化することで CAD を直接的に表現すること。

提案手法

• ネットワークは、幾何的プロキシとして各点ごとのセグメンテーション、表面法線、およびベース／バーレル所属を予測する。
• 軸、中心、スケッチ、スケール、および長さを含む押し出しパラメータの推定に、微分可能で閉形式の定式化を用いる。
• ボリュームベースの再構築パイプラインは、暗黙の2次元スケッチフィールドを符号付き距離ボリュームに合成して再構築する。
• 代替パイプラインでは、抽出された2次元スケッチプロファイルと変換行列を用いて、Fusion360 などの CAD ソフトウェアに予測結果をエクスポートする。
• セグメンテーション、法線、スケッチの閉じる性質のためのプロキシ損失は、ネットワークが幾何学的に一貫した出力を生成するように正則化する。
• 後処理には、セグメンテーションの精緻化と、RANSAC および幾何制約を用いたスケールと長さのロバスト推定が含まれる。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、実際の CAD モデリングワークフローを反映する押し出し円筒に、生の点群を効果的に分解できるか？
• RQ2 法線やスケッチの閉じる性質といった幾何的プロキシは、押し出しパラメータの微分可能で閉形式の推定をどのように可能にするか？
• RQ3 幾何的事前知識を学習することで、直接的なパrameter回帰と比較して再構築の忠実度が向上するか？
• RQ4 予測された押し出し円筒は、Fusion360 などの CAD ソフトウェアで直接的にインタラクティブな編集やバリエーション作成に使用できるか？

主な発見

• Point2Cyl は、Fusion Gallery および DeepCAD データセットの両方で最先端の性能を達成し、再構築品質において既存のベースラインを上回っている。
• アブレーションスタディの結果、スケッチ事前知識や法線推定を削除すると顕著な性能低下が生じ、幾何的プロキシの重要性が裏付けられた。
• 本手法は、多様な閉ループスケッチを有する複雑な形状を成功裏に再構築し、標準的なプリミティブ適合を超えた一般化能力を示した。
• 再構築されたモデルは、Fusion360 などの CAD ソフトウェアに直接インポート可能であり、フィレットの追加、スケッチの変更、パrameterの変更といったインタラクティブな編集が可能である。
• ボリュームベースの再構築パイプラインは高精度な再構築を生み出し、定性的な結果から、元の幾何学的形状とトポロジーが正確に回復されていることが示された。