[论文解读] Point2Cyl: Reverse Engineering 3D Objects from Point Clouds to Extrusion Cylinders

Mikaela Angelina Uy, Yen-yu Chang+5 more|arXiv (Cornell University)|Dec 17, 2021

3D Shape Modeling and Analysis被引用 4

一句话总结

Point2Cyl 提出了一种深度学习框架，通过将3D点云分解为拉伸圆柱体（extrusion cylinders）来实现可编辑CAD模型的逆向工程——这些参数化基元由2D草图、拉伸轴和拉伸范围定义。该方法使用神经网络预测每个点的分割结果、法向量以及基底/筒身标签，随后采用可微分的闭式公式估计拉伸参数，在Fusion Gallery和DeepCAD数据集上实现了最先进性能，并具备直接与CAD软件兼容的编辑能力。

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.

研究动机与目标

• 为解决将3D点云逆向工程为可应用于设计工作流的CAD模型的挑战。
• 开发一种基于几何的分解方法，将形状表示为拉伸圆柱体而非基本几何体。
• 通过生成可解释的参数化输出，支持下游应用如形状编辑、变体创建和CAD导入。
• 通过原生建模CAD操作（草图-拉伸）克服传统基元拟合与B-Rep重建的局限性。

提出的方法

• 网络预测每个点的分割结果、表面法向量以及基底/筒身归属关系，作为几何代理。
• 采用可微分的闭式公式估计拉伸参数，包括轴线、中心点、草图、缩放比例和拉伸范围。
• 基于体素的重建流程将隐式2D草图场组合为有符号距离体素以实现重建。
• 另一种流程通过提取的2D草图轮廓和变换矩阵，将预测结果导出至Fusion360等CAD软件。
• 为分割、法向量和草图闭合性设计的代理损失，用于正则化网络以生成几何一致的输出。
• 后处理包括分割结果的细化，以及利用RANSAC和几何约束实现对缩放比例与拉伸范围的鲁棒估计。

实验结果

研究问题

• RQ1 深度神经网络能否有效将原始点云分解为反映真实CAD建模工作流程的拉伸圆柱体？
• RQ2 如何利用法向量和草图闭合性等几何代理实现拉伸参数的可微分且闭式估计？
• RQ3 与直接参数回归相比，学习几何先验是否能提升重建保真度？
• RQ4 所预测的拉伸圆柱体能否直接用于CAD软件以支持交互式编辑与变体创建？

主要发现

• Point2Cyl在Fusion Gallery和DeepCAD两个数据集上均达到最先进性能，重建质量优于现有基线方法。
• 消融研究显示，若移除草图先验或法向量估计，性能显著下降，验证了几何代理的重要性。
• 该方法成功重建了具有多样化闭合回路草图的复杂形状，展现出超越标准基元拟合的泛化能力。
• 重建模型可直接导入Fusion360等CAD软件，支持交互式编辑操作，如添加圆角、修改草图和调整参数。
• 体素重建流程生成了高保真度的重建结果，定性结果显示原始几何形状与拓扑结构被准确恢复。