[论文解读] SolidGen: An Autoregressive Model for Direct B-rep Synthesis

Pradeep Kumar Jayaraman, Joseph G. Lambourne+4 more|arXiv (Cornell University)|Mar 26, 2022

Manufacturing Process and Optimization被引用 20

一句话总结

SolidGen 直接使用 Transformer 基自回归模型并结合新颖的带索引的 B-rep 表示，直接生成边界表示 CAD 数据，支持无条件与条件生成，而不使用 CAD 建模操作序列。

ABSTRACT

The Boundary representation (B-rep) format is the de-facto shape representation in computer-aided design (CAD) to model solid and sheet objects. Recent approaches to generating CAD models have focused on learning sketch-and-extrude modeling sequences that are executed by a solid modeling kernel in postprocess to recover a B-rep. In this paper we present a new approach that enables learning from and synthesizing B-reps without the need for supervision through CAD modeling sequence data. Our method SolidGen, is an autoregressive neural network that models the B-rep directly by predicting the vertices, edges, and faces using Transformer-based and pointer neural networks. Key to achieving this is our Indexed Boundary Representation that references B-rep vertices, edges and faces in a well-defined hierarchy to capture the geometric and topological relations suitable for use with machine learning. SolidGen can be easily conditioned on contexts e.g., class labels, images, and voxels thanks to its probabilistic modeling of the B-rep distribution. We demonstrate qualitatively, quantitatively, and through perceptual evaluation by human subjects that SolidGen can produce high quality, realistic CAD models.

研究动机与目标

• 提出一种直接在无需 CAD 操作序列监督的情况下合成 B-rep 数据的方法。
• 引入适用于机器学习的带索引边界表示。
• 展示对 B-rep 的无条件与有条件生成，并通过人类感知研究评估真实感。

提出的方法

• 将 B-rep 成分（V、E、F）的联合分布 p(B) 表示为 p(F|E,V)p(E|V)p(V) 并使用自回归 Transformer 基网络来因子化。
• 用带索引的边界表示（Indexed Boundary Representation）来表示 B-reps，将 V、E、F 以数值数组存储，以便于机器学习兼容性。
• 使用分别的顶点、边、面的模型，采用 Transformer 解码器和指针机制来以序列形式预测标记。
• 通过以上下文 z（如类别标签、图像、体素）为条件来对分布 p(B|z) 进行条件化以实现生成。
• 使用与实体建模内核（OpenCascade）相关的基于规则的后处理来从索引表示中恢复完整的 B-rep。
• 采用 teacher-forcing 与 交叉熵 损失进行训练，在推理中采用 nucleus 采样。

实验结果

研究问题

• RQ1 直接使用自回归模型进行直接 B-rep 合成是否能够在不依赖 CAD 建模操作序列的情况下产生高质量、真实感强的 CAD 模型？
• RQ2 带索引边界表示在学习型生成框架中表示 B-rep 的效果如何？
• RQ3 SolidGen 在辅助上下文（类别标签、图像、体素）条件化方面能达到何种程度的可控 B-rep 生成？
• RQ4 与基于序列的基线相比，SolidGen 在有效性、新颖性和感知真实度方面有何差异？

主要发现

数据集	模型	NLL（比特/每）	NLL（比特/每）跨组件	Top-1 准确度（％）	顶点	边	面	均值
PVar	Uniform	18.44	13.59	24.96	56.99	2.01	1.59	2.04	1.88
PVar	SolidGen	4.49	0.01	0.04	4.54	91.30	99.97	99.88	97.05
PVar	w/class (vertex)	4.19	-	-	4.24	83.20	-	-	94.35
PVar	w/class (all)	(not provided)	-	-	1.32	92.43	99.97	99.89	97.43
DeepCAD	Uniform	18.32	15.05	28.14	61.51	1.48	1.10	1.42	1.33
DeepCAD	SolidGen	5.42	0.43	0.26	6.11	86.12	98.87	99.55	94.85
DeepCAD	w/image (vertex)	1.97	-	-	2.66	80.61	-	-	93.01
DeepCAD	w/image (all)	1.98	0.26	0.27	2.51	89.74	98.84	99.31	95.96
DeepCAD	w/voxel (vertex)	4.89	-	-	5.42	82.28	-	-	93.48
DeepCAD	w/voxel (all)	2.00	0.52	0.65	3.17	91.26	98.62	99.18	96.35

• SolidGen 以强大的标记级性能实现高质量的 B-rep 生成：顶点、边、面模型在测试数据上表现出较低的 NLL 和较高的 Top-1 准确率。
• 无条件生成的 SolidGen 样本在 NLL 和准确度方面对比一个均匀基线表现出显著优势（例如 DeepCAD 测试集上总 NLL 4.54 比特，平均准确度 97.05%。）
• 在类别标签、图像或体素进行条件生成时，相对于基线有显著提升，实现可控的 B-rep 合成。
• 在无条件生成中，SolidGen 的样本在人体感知研究中展现出与现实度相当的水平，在某些设置中比训练数据更真实（如 52.67% 更真实）。
• 表格型定量结果在各数据集上显示出强劲表现（例如 DeepCAD：SolidGen NLL 4.54 比特，准确度 97.05%）。
• Nucleus 采样在有效性与新颖性/唯一性之间提供权衡，较高的 p 值提高新颖性但降低有效性。