目录前言1. 当前问题论文要解决的核心挑战2. 论文做了什么方法概述3. 解决了什么问题效果与意义前言作者Joseph G. Lambourne, Karl Willis, Pradeep Jayaraman 等Autodesk Research 会议SIGGRAPH Asia 2022 论文链接https://dl.acm.org/doi/10.1145/3550469.3555424 通过网盘分享的文件Reconstructing editable prismatic CAD from rounded voxel models.pdf 链接: https://pan.baidu.com/s/10TEa-esEv0-QvGJF2NWEQw?pwdfbpt 提取码: fbpt1. 当前问题论文要解决的核心挑战论文指出当前逆向工程中存在以下主要问题传统方法如拟合平面、圆柱等基本曲面在目标几何存在噪声或圆角化时效果不佳。而实际应用中许多几何来源如低精度扫描仪重建、水平集方法的平滑操作都会产生光滑/圆角化的体素模型这给精确重建带来困难。深度学习方法如 DeepCAD虽然能生成CAD操作序列但缺乏直接的几何损失函数导致生成模型与目标形状的匹配度有限。此外DeepCAD 不输出带约束的2D草图降低了模型的可编辑性。现有方法要么输出自由曲面不适用于机械零件要么只输出基本体素或点云不能同时保证高几何精度和完整的参数化可编辑性。2. 论文做了什么方法概述论文提出了一种可微分的神经网络架构用于从圆角化的体素模型SDF重建出棱柱状的、带约束的参数化CAD模型。主要贡献包括可微挤出解码器将输入体素编码为潜在向量再按预定义的挤出模板如单挤出、双挤出等解码出2D轮廓图像128×128 SDF1D起止包络数组64维通过可微分的 min/max 操作模拟布尔运算重建3D体素模型从而可以定义几何损失直接优化目标形状。训练与推理策略训练时使用监督损失轮廓、包络和无监督体素损失。推理时选择最佳挤出模板然后通过2D草图检索参数拟合将解码出的轮廓图像转换为带约束的工程草图。数据集与预处理利用 DeepCAD 和 ABC 数据集提取了最常见的18种正交挤出组合覆盖80%以上模型。对模型进行圆角化增强半径2.5%~12.5%提高对光滑输入的鲁棒性。从 SketchGraphs 中生成一个包含49种带约束的2D参数化草图的检索库。3. 解决了什么问题效果与意义论文主要解决了以下问题从圆角/平滑体素模型到高质量CAD的逆向重建能够在输入几何被平滑或存在噪声的情况下恢复出清晰的棱柱状CAD模型。提升几何匹配精度相比 DeepCAD在 DeepCAD 数据集上 IoU 从 48% 提升至79%有效模型比例从 71.46% 提升至83.84%在 ABC 数据集上 IoU 从 50% 提升至74%FID 显著下降表明更准确地逼近目标形状且泛化能力更强。输出可编辑的CAD模型最终生成的模型包含带约束的参数化2D草图和挤出操作序列可直接导入现有CAD软件如 Fusion 360进行参数化编辑弥补了 DeepCAD 无法输出草图约束的缺陷。验证了有限草图库的可行性仅用49种参数化草图变体就能以 93% 的平均 IoU 逼近 DeepCAD 中的真实轮廓说明简单的轮廓拓扑库已经能覆盖大部分工程轮廓。一句话总结论文提出了一种可微分挤出重建网络能够将圆角化的体素模型逆向为高精度、可编辑、带约束的棱柱CAD模型在几何匹配度和可编辑性上显著优于现有方法。