[论文解读] ComplexGen: CAD Reconstruction by B-Rep Chain Complex Generation

Haoxiang Guo, Shilin Liu+4 more|arXiv (Cornell University)|May 29, 2022

Advanced Numerical Analysis Techniques被引用 7

一句话总结

ComplexGen 提出了一种新颖的框架，通过将边界表示（B-Rep）建模为几何原始体（顶点、曲线、曲面片）及其拓扑关系的链复形，实现了从点云中重建完整、结构化的CAD模型。该方法采用基于Transformer的神经网络，联合检测原始体及其拓扑关系，随后通过全局优化步骤强制执行结构有效性，从而生成比以往方法更准确、完整且规则化的B-Rep模型。

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.

研究动机与目标

• 解决现有CAD重建方法在联合检测几何原始体（角落、曲线、曲面片）及其拓扑关系方面的局限性，避免产生不完整或不一致的模型。
• 将完整的B-Rep结构建模为链复形，利用拓扑约束提升重建的保真度与完整性。
• 开发一种端到端的、结构感知的学习与优化流程，实现从非结构化点云中重建CAD模型。
• 通过多路径Transformer解码器显式建模原始体之间的相互关系，提升检测准确率与拓扑一致性。
• 在几何精炼过程中强制执行结构约束（如圆柱/圆的垂直性、边的连续性），以获得更规则化且有效的B-Rep模型。

提出的方法

• 一个稀疏CNN编码器处理输入点云，提取空间特征，从而高效处理稀疏三维数据。
• 一个三路径Transformer解码器利用共享注意力机制实现跨路径通信，生成三类原始体——角落、曲线和曲面片，以及它们之间的相互邻接关系。
• 网络输出每类原始体及其拓扑连接的概率预测，支持不确定性感知的重建。
• 通过全局优化步骤，基于结构约束（如闭合边界环、流形边）最大化似然性，提取有效的B-Rep链复形。
• 在优化后的复形上应用几何精炼，强制执行如圆柱/圆垂直性、边连续性等约束，以提升精度。
• 该框架在统一的优化目标中整合了几何与拓扑信息，确保最终CAD模型的一致性与有效性。

实验结果

研究问题

• RQ1 将完整的B-Rep结构建模为链复形是否能提升从点云中重建CAD模型的完整性与结构保真度？
• RQ2 通过多路径Transformer联合预测几何原始体及其拓扑关系，相比独立或顺序预测，能否显著提升检测准确率？
• RQ3 链复形表示中的结构约束在多大程度上能增强重建CAD模型的有效性与规则性？
• RQ4 混合学习与优化的方法是否能优于仅端到端学习的方法，在恢复复杂、结构化的B-Rep模型方面表现更优？
• RQ5 该方法对噪声或部分输入点云的鲁棒性如何？其主要失效模式是什么？

主要发现

• ComplexGen在拓扑连接完成度方面实现了显著更高的有效率，97%的测试样本在0.03距离阈值下有效率超过90%。
• 该方法在检测几何原始体及其拓扑关系方面优于基线方法，尤其在从噪声或部分点云中恢复缺失或不完整的特征方面表现更优。
• 全局优化步骤成功强制执行了如闭合边界环和流形边等结构约束，生成了更规则且一致的B-Rep模型。
• 消融实验证明，具有跨路径通信的多路径Transformer设计相比单路径或独立预测，显著提升了拓扑重建准确率。
• 该框架对输入噪声和数据缺失表现出鲁棒性，有效率分析表明，大多数失败原因来自网络预测误差或优化过程中的局部最优。
• 通过显式建模原始体之间的相互依赖关系，该方法实现了更完整的重建，减少了以往方法中常见的结构不一致问题。