[논문 리뷰] SketchGraphs: A Large-Scale Dataset for Modeling Relational Geometry in Computer-Aided Design

Ari Seff, Yaniv Ovadia외 2명|arXiv (Cornell University)|2020. 07. 16.

Manufacturing Process and Optimization참고 문헌 42인용 수 36

한 줄 요약

소개하는 SketchGraphs, ground-truth 기하 제약 그래프를 가진 parametric CAD 스케치의 15M 스케치 데이터셋, 오픈 소스 처리 파이프라인 및 생성 모델링과 autoconstrain 과제를 위한 기본 baselines.

ABSTRACT

Parametric computer-aided design (CAD) is the dominant paradigm in mechanical engineering for physical design. Distinguished by relational geometry, parametric CAD models begin as two-dimensional sketches consisting of geometric primitives (e.g., line segments, arcs) and explicit constraints between them (e.g., coincidence, perpendicularity) that form the basis for three-dimensional construction operations. Training machine learning models to reason about and synthesize parametric CAD designs has the potential to reduce design time and enable new design workflows. Additionally, parametric CAD designs can be viewed as instances of constraint programming and they offer a well-scoped test bed for exploring ideas in program synthesis and induction. To facilitate this research, we introduce SketchGraphs, a collection of 15 million sketches extracted from real-world CAD models coupled with an open-source data processing pipeline. Each sketch is represented as a geometric constraint graph where edges denote designer-imposed geometric relationships between primitives, the nodes of the graph. We demonstrate and establish benchmarks for two use cases of the dataset: generative modeling of sketches and conditional generation of likely constraints given unconstrained geometry.

연구 동기 및 목표

• CAD의 관계 기하학을 연구하기 위해 ground-truth 기하 제약 그래프를 포함하는 parametric CAD 스케치의 대규모 데이터세트를 제공한다.
• unconstrained geometry를 given likely constraints 추론하는 연구를 포함한 스케치의 생성 모델링 연구를 가능하게 한다.
• CAD 워크플로우를 위한 ML의 프로그램 유도(program induction) 및 제약 추론 지원.
• 연구 및 ML 프레임워크와의 통합 촉진을 위한 오픈 소스 처리 파이프라인 및 렌더링 도구를 제공.

제안 방법

• 2015–2020에 걸친 Onshape 공개 문서에서 1500만 개의 스케치를 수집하고 ground-truth 기하 제약 그래프를 추출한다.
• 각 스케치를 원시 요소를 노드로 하고 제약을 간선으로 하는 기하 제약 그래프로 표현하며, 하이퍼에지 및 서브 프리미티브의 처리를 포함한다.
• 원시 요소의 추가 및 제약의 추가를 기반으로 구성 단계를 정렬하여 표준 시퀀스 표현을 제공합니다.
• 파이썬에서 스케치를 시각화하고 조작하기 위한 오픈 소스 데이터 처리 파이프라인 및 로컬 렌더러를 개발합니다.
• 프리미티브에서 제약을 예측하는 autoconstrain(autoconstrain) 및 구성 시퀀스에 대한 무조건적 생성 모델링의 기준 모델을 확립합니다.
• 엣지 정밀도/재현율/F1 및 로그 가능도와 같은 지표로 생성 및 autoconstrain 작업을 평가합니다.

실험 결과

연구 질문

• RQ1 학습을 위해 parametric CAD 스케치를 ground-truth 기하 제약 그래프로 어떻게 표현할 수 있는가?
• RQ2 제약되지 않은 기하를 given로 자동완성하거나 autoconstrain 제약을 학습 모델로 가능한가?
• RQ3 무조건적 스케치 생성에 대한 autoregressive, 그래프 기반 모델의 효과는 어떤가?
• RQ4 생성 및 제약 예측 작업에 대해 구성 시퀀스가 얼마나 정보가 있는가?
• RQ5 이미지를 통한 CAD 추론이 SketchGraphs 파이프라인 및 렌더링된 스케치를 사용해 지원될 수 있는가?

주요 결과

• Autoconstrain: 모델은 test에서 평균 엣지 정밀도 0.74, 평균 엣지 재현율 0.74(F1 0.71)를 달성했고, 엣지당 음의 로그 가능도는 0.495 비트였다.
• 생성 모델링: 무조건적 모델은 그래프당 테스트 음의 로그 가능도 28.2 비트, 표준 압축기에는 스케치당 85.6 비트였다.
• 데이터세트는 ground-truth 제약 그래프를 가진 15 million 스케치로 구성되며, 원시 요소 및 제약 통계와 총 DOF와 제약에 의해 제거된 DOF 간 상관관계(0.598)를 포함한다.
• 구성 단계에 두 가지 표준 시퀀스 표현이 사용되며, 실제 구성 이력에서 관찰된 원시 요소 및 제약의 자연스러운 순서를 활용한다.
• 벤치마크 증거는 autoconstrain(제약 추론) 및 무조건적 생성 모델링의 두 사용 사례를 지지하며, 이미지에서의 CAD 추론을 위한 렌더링 도구가 포함되어 있다.