[论文解读] Discovering Design Concepts for CAD Sketches

Yuezhi Yang, Hao Pan|arXiv (Cornell University)|Oct 26, 2022

Manufacturing Process and Optimization被引用 5

一句话总结

该论文提出了一种端到端深度学习框架，通过将草图图表示为领域特定语言（DSL）中的程序，以发现参数化CAD草图中的模块化设计概念。该方法采用隐式-显式双重概念表征，并将结构生成与参数实例化分离，从而实现在大规模数据集上的自监督学习，实现了比自回归基线方法更可解释且更准确的草图自动补全。

ABSTRACT

Sketch design concepts are recurring patterns found in parametric CAD sketches. Though rarely explicitly formalized by the CAD designers, these concepts are implicitly used in design for modularity and regularity. In this paper, we propose a learning based approach that discovers the modular concepts by induction over raw sketches. We propose the dual implicit-explicit representation of concept structures that allows implicit detection and explicit generation, and the separation of structure generation and parameter instantiation for parameterized concept generation, to learn modular concepts by end-to-end training. We demonstrate the design concept learning on a large scale CAD sketch dataset and show its applications for design intent interpretation and auto-completion.

研究动机与目标

• 自动发现编码设计意图的参数化CAD草图中的模块化、可重用设计概念。
• 解决从原始草图图中无显式监督地学习高层次设计模式的挑战。
• 通过学习概念级结构而非逐个图元生成，改进草图自动补全。
• 通过自监督诱导草图概念，实现结构化、可解释且模块化的草图理解。

提出的方法

• 将CAD草图图形式化为声明式DSL中的程序，其中草图概念是具有明确定义接口的模块化函数。
• 提出一种隐式-显式双重表征：隐式检测概念结构，显式生成参数化实例。
• 将概念结构生成与参数实例化解耦，以支持使用重构目标的端到端训练。
• 使用自监督诱导目标训练深度网络，利用发现的模块化概念重构草图。
• 采用可微分的概念查询机制检测并生成概念实例，损失项包括约束引用学习与模块化增强。
• 通过在不完整草图上进行训练并重构完整草图，将该框架应用于概念发现与自动补全。

实验结果

研究问题

• RQ1 能否使用自监督深度学习从原始参数化CAD草图中自动发现模块化设计概念？
• RQ2 如何以支持端到端训练的方式检测隐式概念结构并显式生成？
• RQ3 将结构生成与参数实例化分离是否能改善可重用、模块化概念的学习？
• RQ4 所学概念是否能实现比自回归模型更准确且可解释的草图自动补全？
• RQ5 不同损失组件对概念学习中模块化与重构质量的影响如何？

主要发现

• 与自回归基线相比，所提方法在所有遮罩比率下均实现了更优的图元与约束重建准确率。
• 移除二值约束引用损失（$\mathbf{C}_{bry}$）导致约束重建性能显著下降，证实其在学习正确约束引用中的必要性。
• 锐化引用损失（$\mathcal{L}_{sharp}$）对正确约束引用学习至关重要，其缺失会导致无法捕捉结构化引用。
• 模块化增强偏差损失（$\mathcal{L}_{bias}$）对维持模块化至关重要；其移除虽对重构质量影响较小，但会极大降低模块化程度。
• 模型通过概念级补全而非图元级补全，生成更具可解释性与规律性的补全结果，如定性示例所示。
• 该框架成功从大规模CAD草图数据集中发现直观、可重用的模块化组件，实现结构化理解并提升自动补全性能。