[논문 리뷰] Point2Cyl: Reverse Engineering 3D Objects from Point Clouds to Extrusion Cylinders

Mikaela Angelina Uy, Yen-yu Chang외 5명|arXiv (Cornell University)|2021. 12. 17.

3D Shape Modeling and Analysis인용 수 4

한 줄 요약

Point2Cyl는 3D 포인트 클라우드를 역설계하여 편집 가능한 CAD 모델로 변환하는 딥러닝 프레임워크를 제안한다. 이는 포인트 클라우드를 추출형 실린더로 분해함으로써, 2D 스케치, 추출 축, 그리고 길이로 정의된 매개변수 기반 기본 요소를 사용한다. 이 방법은 신경망을 통해 각 포인트의 분할, 법선, 기저/바디 레이블을 예측하고, 미분 가능하고 닫힌 형식의 공식을 사용하여 추출 매개변수를 추정한다. 이로 인해 Fusion Gallery 및 DeepCAD 데이터셋에서 최신 기술 수준의 성능을 달성하며, 편집에 직접적인 CAD 호환성을 제공한다.

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.

연구 동기 및 목표

• 디자인 워크플로우에서 사용 가능한 CAD 모델로 3D 포인트 클라우드를 역설계하는 데 도전하는 것.
• 기본 기하도형이 아닌 추출형 실린더로 표현하는 기하학적 기반의 분해 방법을 개발하는 것.
• 편집, 변형 생성, CAD 임포트 등의 후속 응용을 가능하게 하기 위해 이해 가능하고 매개변수화된 출력을 생성하는 것.
• 기존 기본 도형 피팅 및 B-Rep 복원의 한계를 극복하기 위해 스케치-추출 작업을 통해 직접 CAD를 모델링하는 것.

제안 방법

• 네트워크는 기하학적 대체물로 각 포인트의 분할, 표면 법선, 기저/바디 소속을 예측한다.
• 축, 중심, 스케치, 스케일, 길이 등의 추출 매개변수를 추정하기 위해 미분 가능하고 닫힌 형식의 공식을 사용한다.
• 체적 기반 복원 파이프라인은 암시적 2D 스케치 필드를 서피스 거리 체적으로 조합하여 복원한다.
• 대체 파이프라인은 추출된 2D 스케치 프로파일과 변환 행렬을 사용하여 Fusion360 등의 CAD 소프트웨어로 예측 결과를 내보낸다.
• 분할, 법선, 스케치 폐쇄에 대한 대체 손실은 네트워크가 기하학적으로 일관된 출력을 생성하도록 정규화한다.
• 후처리 단계로는 RANSAC 및 기하학적 제약 조건을 사용한 분할 정밀화와 스케일, 길이의 강력한 추정이 포함된다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크가 실제 CAD 모델링 워크플로우를 반영하는 추출형 실린더로 원시 포인트 클라우드를 효과적으로 분해할 수 있는가?
• RQ2 법선과 스케치 폐쇄와 같은 기하학적 대체물은 어떻게 추출 매개변수의 미분 가능하고 닫힌 형식의 추정을 가능하게 하는가?
• RQ3 기하학적 사전 지식을 학습함으로써 직접 매개변수 회귀보다 복원 정밀도가 향상되는가?
• RQ4 예측된 추출형 실린더가 직접적으로 CAD 소프트웨어에서 상호작용 편집 및 변형 생성에 사용될 수 있는가?

주요 결과

• Point2Cyl는 Fusion Gallery 및 DeepCAD 데이터셋에서 모두 최신 기술 수준의 성능을 달성하며, 복원 품질에서 기존 베이스라인을 압도한다.
• 절단 실험 결과에서 스케치 사전 지식이나 법선 추정을 제거할 경우 성능 저하가 심각하게 발생함을 확인하여 기하학적 대체물의 중요성을 입증한다.
• 이 방법은 다양한 폐쇄 루프 스케치를 가진 복잡한 형태를 성공적으로 복원하여, 표준 기본 도형 피팅을 초월한 일반화 능력을 보여준다.
• 복원된 모델은 Fusion360과 같은 CAD 소프트웨어로 직접 임포트 가능하며, 필렛 추가, 스케치 수정, 매개변수 조정 등의 상호작용 편집 기능을 제공한다.
• 체적 복원 파이프라인은 고정밀 복원을 생성하며, 정성적 결과를 통해 원본 기하학적 구조와 토폴로지의 정확한 복원을 보여준다.