[论文解读] Geometric Deep Learning for Computer-Aided Design: A Survey

Negar Heidari, Alexandros Iosifidis|arXiv (Cornell University)|Feb 27, 2024

Advanced Numerical Analysis Techniques被引用 4

一句话总结

本综述全面回顾了用于计算机辅助设计（CAD）的几何深度学习（GDL）方法，重点聚焦于从边界表示（B-Rep）数据中学习，以实现相似性检索、3D模型生成和CAD重建等自动化设计任务。综述介绍了图神经网络和Transformer等关键GDL架构，评估了基准数据集和开源工具，并指出了可复现性与数据稀缺性方面的挑战，提出了B-Rep生成与跨格式合成等未来研究方向。

ABSTRACT

Geometric Deep Learning techniques have become a transformative force in the field of Computer-Aided Design (CAD), and have the potential to revolutionize how designers and engineers approach and enhance the design process. By harnessing the power of machine learning-based methods, CAD designers can optimize their workflows, save time and effort while making better informed decisions, and create designs that are both innovative and practical. The ability to process the CAD designs represented by geometric data and to analyze their encoded features enables the identification of similarities among diverse CAD models, the proposition of alternative designs and enhancements, and even the generation of novel design alternatives. This survey offers a comprehensive overview of learning-based methods in computer-aided design across various categories, including similarity analysis and retrieval, 2D and 3D CAD model synthesis, and CAD generation from point clouds, and single/multi-view images. Additionally, it provides a complete list of benchmark datasets and their characteristics, along with open-source codes that have propelled research in this domain. The final discussion delves into the challenges prevalent in this field, followed by potential future research directions in this rapidly evolving field.

研究动机与目标

• 提供对应用于CAD数据的几何深度学习技术的全面综述，尤其关注边界表示（B-Rep）格式。
• 识别并分析现有机器学习方法在捕捉参数化CAD模型几何特征方面的局限性。
• 整理并审查基准数据集与开源实现，以支持方法的可复现性与领域进展。
• 突出关键挑战，如数据稀缺、缺乏成对数据集以及对专有CAD内核的依赖。
• 概述未来研究方向，包括CAD操作的生成建模以及从点云或草图进行跨格式合成。

提出的方法

• 综述采用系统性分类方法，将GDL方法分为两大领域：CAD表示学习（分类、分割、检索）与CAD生成（2D/3D构造、命令序列建模）。
• 评估了在B-Rep数据上直接训练的监督与自监督GDL模型，包括图神经网络（GNNs）和Transformer，以保持几何与拓扑结构。
• 分析了绕过网格转换、直接从B-Rep学习的方法，避免信息损失与计算开销。
• 综述了从点云、草图和命令序列生成CAD模型的技术，包括SolidGen与CADParser等方法，可直接合成B-Rep。
• 整理并描述了公开的基准数据集与开源代码库，以支持方法比较与可复现性。
• 讨论了架构选择与实现依赖性，特别是对专有CAD内核（如Parasolid）的依赖，这严重阻碍了学术研究的可复现性。

实验结果

研究问题

• RQ1 几何深度学习模型如何在不转换为网格或体素的情况下，有效从B-Rep数据中直接学习并表示几何特征？
• RQ2 由于数据集碎片化与非标准化，当前在基准测试与比较GDL驱动的CAD方法时存在哪些局限性？
• RQ3 如何将生成模型扩展至从命令序列或3D输入中生成复杂CAD操作（如倒圆角与倒角）？
• RQ4 由于闭源CAD内核及缺乏预处理文档，导致结果复现面临哪些关键挑战？
• RQ5 未来研究如何在统一且可微分的框架中弥合2D草图、点云与参数化B-Rep模型之间的差距？

主要发现

• 几何深度学习模型，尤其是GNNs与Transformer，展现出从B-Rep数据中直接学习几何特征的强大潜力，优于依赖物理或网格特征的传统方法。
• 绕过网格转换的方法能保持几何保真度并降低计算成本，因此更适合工业CAD工作流。
• 尽管已有进展，但大多数基于GDL的CAD方法仅在小规模、任务特定的数据子集上进行评估，限制了泛化能力与公平比较。
• 可复现性因缺乏开源CAD内核以及预处理流程与代码依赖关系的不完整文档而受到显著阻碍。
• 缺乏成对数据集（如与对应B-Rep模型配对的草图）限制了监督生成模型在草图到CAD转换任务中的训练。
• 基于OpenCASCADE的开源工具更具可访问性，但许多方法仍依赖于Parasolid等专有内核，限制了学术界访问与创新。