[논문 리뷰] D$^2$CSG: Unsupervised Learning of Compact CSG Trees with Dual Complements and Dropouts

Fenggen Yu, Qimin Chen외 3명|arXiv (Cornell University)|2023. 01. 27.

3D Shape Modeling and Analysis인용 수 4

한 줄 요약

D$^2$CSG는 3D CAD 형상의 압축형, 일반적이고 고성능인 CSG 트리 표현을 비지도 학습을 통해 학습하기 위한 이중 브랜치 신경망을 제안한다. 두 가지 상호보완적인 브랜치를 통해 형상을 커버와 잔여 성분으로 분리하고, 가중치 드롭아웃을 적용하여 중복된 원소를 제거함으로써, 특히 복잡하고 고유성(genus)이 높은 형상에서 뛰어난 재구성 품질과 압축성을 달성한다. 이는 CAPRI-Net과 같은 최신 기법들을 능가한다.

ABSTRACT

We present D$^2$CSG, a neural model composed of two dual and complementary network branches, with dropouts, for unsupervised learning of compact constructive solid geometry (CSG) representations of 3D CAD shapes. Our network is trained to reconstruct a 3D shape by a fixed-order assembly of quadric primitives, with both branches producing a union of primitive intersections or inverses. A key difference between D$^2$CSG and all prior neural CSG models is its dedicated residual branch to assemble the potentially complex shape complement, which is subtracted from an overall shape modeled by the cover branch. With the shape complements, our network is provably general, while the weight dropout further improves compactness of the CSG tree by removing redundant primitives. We demonstrate both quantitatively and qualitatively that D$^2$CSG produces compact CSG reconstructions with superior quality and more natural primitives than all existing alternatives, especially over complex and high-genus CAD shapes.

연구 동기 및 목표

• 비지도 학습에서 복잡한 3D CAD 형상에 대해 일반적이고 압축적이며 고성능인 CSG 표현의 부족 문제를 해결하기 위해.
• 이전 신경망 기반 CSG 모델이 중첩된 차집합 연산을 처리하지 못하거나 자연스럽고 압축된 트리를 생성하지 못하는 한계를 극복하기 위해.
• 복잡한 형상의 보완을 위해 전용 잔여 브랜치를 도입함으로써 압축성과 재구성 품질을 향상시키기 위해.
• 클래스 사전 정보나 감독 신호 없이도 순수한 점유도 손실(occupancy loss)만을 사용해 엔드 투 엔드 미분 가능 학습을 가능하게 하기 위해.
• OpenSCAD 스크립트 생성을 통한 형상 편집과 같은 실용적 응용을 지원하기 위해.

제안 방법

• 모델은 동일하고 독립적인 두 신경 브랜치를 사용한다: 주형상을 모델링하는 커버 브랜치와 형상 보완을 모델링하는 잔여 브랜치.
• 두 브랜치 모두 원추곡면 원소와 그 역수의 교차와 합집합을 구성하여, 다재다능하고 일반적인 형상 모델링을 가능하게 한다.
• 최종 재구성된 형상은 차집합 연산을 통해 도출된다: S = S_cover \setminus S_residual. 이는 구멍과 고유성(genus)이 높은 형상의 자연스러운 표현을 가능하게 한다.
• 교차 및 합집합 레이어에 가중치 드롭아웃 전략을 적용하여 중복된 원소와 중간 형상을 제거함으로써 압축성을 향상시킨다.
• 클래스 레이블이나 감독 없이 순수한 점유도 손실만을 사용해 엔드 투 엔드로 학습되며, CAD 부품에 대한 비지도 학습이 가능하다.
• 학습된 원소와 CSG 연산을 OpenSCAD 스크립트로 내보내어 상호작용적 수정이 가능한 형상 편집을 지원한다.

실험 결과

연구 질문

• RQ1 이중 브랜치 신경망 아키텍처가 복잡한 3D CAD 형상에 대한 CSG 트리의 압축성과 재구성 품질을 향상시킬 수 있는가?
• RQ2 형상을 커버와 잔여 성분으로 분리하는 것이 고유성(genus)이 높거나 중첩된 구멍이 있는 복잡한 토폴로지 형상을 더 잘 모델링할 수 있는가?
• RQ3 가중치 드롭아웃이 재구성 정확도를 훼손하지 않으면서도 CSG 트리 내 중복 원소를 효과적으로 줄일 수 있는가?
• RQ4 제안된 방법이 증명 가능한 일반성을 가지며, 임의의 CSG 트리를 등가의 D$^2$CSG 구조로 표현할 수 있는가?
• RQ5 학습된 CSG 표현은 OpenSCAD와 같은 CAD 도구와의 상호운용성과 실용적 형상 편집에 활용될 수 있는가?

주요 결과

• ABC 데이터셋에서 D$^2$CSG는 카멘퍼 거리(CD) 0.085를 기록하여 CAPRI-Net의 0.225보다 유의미하게 낮아 뛰어난 재구성 품질을 입증한다.
• ShapeNet에서 D$^2$CSG는 CD 0.224를 기록하여 다음으로 우수한 기법(CAPRI-Net 0.242)을 능가하는 재구성 정확도를 확보한다.
• D$^2$CSG는 ABC에서 원소 수(#P)를 35.28로 줄였고, ShapeNet에서는 51.26로 압축하여 이중 브랜치 전용 버전 대비 50% 감소를 기록한다.
• ABC에서 92.4%의 F-Score (NC)를 기록했고, ShapeNet에서는 88.6%를 기록하여 모든 기준선 대비 형상 유사도 지표에서 승리한다.
• 더 적은 중간 형상과 표면 세그먼트를 가진 더 자연스러운 CSG 트리를 생성하여, 더 나은 구조적 압축성과 해석 가능성의 가능성을 보여준다.
• OpenSCAD 스크립트 생성 기능은 상호작용적 형상 편집을 가능하게 하여 실용성과 상호운용성의 실현을 입증한다.