HoW-3D：从单张图像进行整体三维线框感知

arXiv 2022 44.9 method, benchmark

TLDR

提出单张图像整体3D线框感知，引入ABC-HoW基准和Deep Spatial Gestalt模型。

评分理由

Strengths include a novel task, large-scale benchmark, and strong performance on invisible geometry inference. Weaknesses are reliance on synthetic data and focus on wireframes rather than full CAD reconstruction.

Read-first 评分解释

综合优先阅读分 44.9，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 41。

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、数据集、实验

近期性 8%

56.5

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2022

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集

主题相关性 42%

25.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI for CAD、computer-aided design、neural CAD、generative CAD、parametric CAD、B-Rep、boundary representation、constructive solid geometry、CSG、sketch extrusion、CAD generation、CAD reconstruction、text-to-CAD、image-to-CAD、point cloud to CAD、CAD program

研究版图角色

方法锚点

排序敏感性

稳定性：volatile；排名波动范围：38。

关键词评分

B-Rep

boundary representation

image-to-CAD

AI for CAD

CAD reconstruction

computer-aided design

point cloud to CAD

neural CAD

generative CAD

parametric CAD

CAD generation

CAD program

constructive solid geometry

CSG

sketch extrusion

text-to-CAD

深度分析

创新点

提出了整体3D线框感知（HoW-3D）任务，要求从单张图像推断可见和不可见（非视线）3D线框。
ABC-HoW基准：一个大规模数据集，包含12k张单视图图像及其从ABC CAD模型导出的整体3D线框标注。
Deep Spatial Gestalt (DSG)模型，检测可见连接点和线段，然后利用格式塔原理推断非视线3D结构。

方法

本文提出了HoW-3D任务，并从ABC数据集的CAD模型创建了ABC-HoW基准。设计了Deep Spatial Gestalt模型，首先从单张图像学习可见3D线框元素（连接点、线段），然后通过对可见线索应用格式塔启发的推理来推断非视线3D几何。

关键结果

DSG模型在从单视图图像检测不可见线几何方面优于先前的线框检测器，并且与使用高保真点云输入进行3D线框重建的方法相比具有竞争力。

资源

论文