[논문 리뷰] ComplexGen: CAD Reconstruction by B-Rep Chain Complex Generation

Haoxiang Guo, Shilin Liu외 4명|arXiv (Cornell University)|2022. 05. 29.

Advanced Numerical Analysis Techniques인용 수 7

한 줄 요약

ComplexGen은 기하적 원소(정점, 곡선, 패치)와 그들의 위상적 관계를 포함한 체인 복합체로 경계 표현(B-Rep)을 모델링함으로써 점군에서 완전하고 구조화된 CAD 모델을 복원하기 위한 새로운 프레임워크를 제안한다. 변환기 기반 신경망을 사용해 기하 원소와 위상 관계를 동시에 탐지한 후, 구조적 타당성을 보장하는 전역 최적화를 수행함으로써 이전 방법보다 더 정확하고 완전하며 정규화된 B-Rep 모델을 생성한다.

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.

연구 동기 및 목표

• 기존 CAD 복원 방법이 기하 원소(모서리, 곡선, 패치)와 그 위상 관계를 동시에 탐지하지 못해 모델이 불완전하거나 일관성 없이 생성되는 한계를 해결하기 위해.
• 전체 B-Rep 구조를 체인 복합체로 모델링하여 위상적 제약 조건을 활용해 복원 정확도와 완전성을 향상시키기 위해.
• 비구조화된 점군에서부터 종단간(end-to-end), 구조 인식 가능한 CAD 복원을 가능하게 하는 학습-최적화 파이프라인을 개발하기 위해.
• 다중 경로 변환기 디코더를 통해 원소 간 상호관계를 명시적으로 모델링함으로써 탐지 정확도와 위상 일관성을 향상시키기 위해.
• 기하 보정 과정에서 구조적 제약 조건을 강제하여 더 정규화되고 타당한 B-Rep 모델을 얻기 위해.

제안 방법

• 희소 3D 데이터를 효율적으로 처리할 수 있도록 입력 점군을 처리하는 희소 컨volution 네트워크 인코더를 사용한다.
• 삼중 경로 변환기 디코더가 공유된 어텐션 메커니즘을 통해 상호 통신을 가능하게 하여 정점, 곡선, 표면 패치 세 가지 유형의 원소와 그 상호 인접 관계를 동시에 생성한다.
• 모든 원소와 위상 연결에 대해 확률적 예측을 출력함으로써 불확실성 인식 가능한 복원이 가능해진다.
• 전역 최적화 단계에서 닫힌 경계 루프와 매니폴드 에지 등의 구조적 제약 조건을 만족시키는 최대 가능도 기반으로 타당한 B-Rep 체인 복합체를 추출한다.
• 최적화된 복합체에 기하 보정을 적용하여 실린더/원의 수직성 및 에지 연속성 등의 제약 조건을 강제함으로써 정확도를 향상시킨다.
• 기하학적 정보와 위상 정보를 통합된 최적화 목표 함수에 통합하여 최종 CAD 모델의 일관성과 타당성을 보장한다.

실험 결과

연구 질문

• RQ1 B-Rep 전체 구조를 체인 복합체로 모델링하는 것이 점군에서의 CAD 복원에서 완전성과 구조적 정밀도를 향상시키는가?
• RQ2 다중 경로 변환기로 기하 원소와 위상 관계를 동시에 예측할 경우, 독립적 또는 순차적 예측 대비 탐지 정확도가 어떻게 향상되는가?
• RQ3 체인 복합체 표현에서 유도되는 구조적 제약 조건이 복원된 CAD 모델의 타당성과 정규화 수준을 어느 정도 향상시키는가?
• RQ4 학습-최적화 융합 접근법이 복잡하고 구조적인 B-Rep 모델을 회복하는 데 있어 종단간 학습 전용 방법보다 우월한가?
• RQ5 이 방법은 노이즈가 많거나 부분적인 입력 점군에 대해 얼마나 강인한가? 주요 실패 유형은 무엇인가?

주요 결과

• 0.03 거리 임계값 기준으로 97%의 테스트 샘플에서 90% 이상의 유효성 비율을 확보하여, 위상 연결 이행에서 유의미하게 높은 유효성 비율을 달성했다.
• 노이즈가 많거나 부분적인 점군에서 기하 원소와 위상 관계 탐지에서 베이스라인 방법을 능가하며, 누락되거나 불완전한 기하 특징을 회복하는 데서 특히 우수한 성능을 보였다.
• 전역 최적화 단계는 닫힌 경계 루프와 매니폴드 에지 등의 구조적 제약 조건을 성공적으로 강제하여 더 정규화되고 일관성 있는 B-Rep 모델을 생성했다.
• 제거 분석 결과, 상호 경로 통신 기능이 있는 다중 경로 변환기 설계가 단일 경로 또는 독립적 예측 대비 위상 복원 정확도를 향상시켰다.
• 노이즈 및 부분 데이터에 대해 뛰어난 강인성을 보였으며, 유효성 분석 결과 대부분의 실패 원인은 네트워크 예측 오류 또는 최적화 중 국소 최적점에 기인했다.
• 원소 간 상호의존성을 명시적으로 모델링함으로써 구조적 일관성 문제가 기존 방법에서 흔한 문제임을 줄이고 더 완전한 복원을 가능하게 했다.