[论文解读] SketchGraphs: A Large-Scale Dataset for Modeling Relational Geometry in Computer-Aided Design

Ari Seff, Yaniv Ovadia+2 more|arXiv (Cornell University)|Jul 16, 2020

Manufacturing Process and Optimization参考文献 42被引用 36

一句话总结

引入 SketchGraphs，这是一个包含地面真值几何约束图的 1500 万草图数据集，以及一个开源处理管线和用于生成建模与自动约束任务的基线。

ABSTRACT

Parametric computer-aided design (CAD) is the dominant paradigm in mechanical engineering for physical design. Distinguished by relational geometry, parametric CAD models begin as two-dimensional sketches consisting of geometric primitives (e.g., line segments, arcs) and explicit constraints between them (e.g., coincidence, perpendicularity) that form the basis for three-dimensional construction operations. Training machine learning models to reason about and synthesize parametric CAD designs has the potential to reduce design time and enable new design workflows. Additionally, parametric CAD designs can be viewed as instances of constraint programming and they offer a well-scoped test bed for exploring ideas in program synthesis and induction. To facilitate this research, we introduce SketchGraphs, a collection of 15 million sketches extracted from real-world CAD models coupled with an open-source data processing pipeline. Each sketch is represented as a geometric constraint graph where edges denote designer-imposed geometric relationships between primitives, the nodes of the graph. We demonstrate and establish benchmarks for two use cases of the dataset: generative modeling of sketches and conditional generation of likely constraints given unconstrained geometry.

研究动机与目标

• 提供一个大规模的参数化 CAD 草图数据集，带有地面真值几何约束图，用于研究 CAD 中的关系几何。
• 推动草图的生成建模研究，以及在给定无约束几何的情况下推断可能的约束。
• 支持用于 CAD 工作流的 ML 程序归纳与约束推理。
• 提供一个开源处理管线和渲染工具，以促进研究并与 ML 框架集成。

提出的方法

• 收集来自 Onshape 公共文档（2015–2020）的 1500 万个草图，并提取地面真值几何约束图。
• 将每个草图表示为一个几何约束图，节点为基元，边为约束，并处理超边和子基元。
• 通过根据基元和约束的添加对构造步骤进行排序，提供一个规范序列表示。
• 开发一个开源数据处理管线和本地渲染器，用于在 Python 中可视化和操作草图。
• 建立用于 autoconstrain（从基元预测约束）和对构造序列的无条件生成建模的基线模型。
• 使用边缘精确度/召回率/F1和对数似然等指标评估生成与 autoconstrain 任务。

实验结果

研究问题

• RQ1 如何将参数化 CAD 草图表示为用于学习的地面真值几何约束图？
• RQ2 在给定无约束几何的情况下，我们是否可以训练模型实现约束的自动补全或 autoconstrain？
• RQ3 自回归、基于图的模型在无条件草图生成中的有效性如何？
• RQ4 构造序列对生成和约束预测任务有多么信息量？
• RQ5 是否可以使用 SketchGraphs 管线和渲染草图来支持 CAD 从图像的推断？

主要发现

• Autoconstrain：模型在测试集上的平均边缘精确度为 0.74，平均边缘召回率为 0.74（F1 0.71），每条边的测试负对数似然为 0.495 比特。
• 生成建模：无条件模型的测试负对数似然为每个图 28.2 比特，而标准压缩器每个草图为 85.6 比特。
• 数据集包含 1500 万个带地面真值约束图的草图，包括基元和约束统计，以及总自由度与被约束移除的自由度之间的相关性（0.598）。
• 两个规范序列表示用于构造步骤，利用在真实构造历史中观察到的基元和约束的自然排序。
• 基准证据支持两个用例：autoconstrain（约束推断）和无条件生成建模，且包含用于从图像推断 CAD 的渲染工具。