⌁ Awesome AI4CAD Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

SECAD-Net: 通过学习草图-拉伸操作的自监督CAD重建

arXiv 2023 55.8 method

TLDR

SECAD-Net通过学习草图-拉伸操作，利用隐式场从原始几何自监督重建可编辑CAD模型。

评分理由

The paper introduces a novel self-supervised approach for CAD reconstruction that leverages sketch-extrude operations, showing strong results on standard datasets and enabling editing. However, it is limited to extrusion-based modeling and does not address other CAD operations or complex topologies.

Read-first 评分解释

综合优先阅读分 55.8，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 88。

近期性 8%
65.1

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：2023

方法质量 25%
60

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：数据集、实验

主题相关性 42%
55

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

可复现性 25%
50

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：代码、数据集、GitHub

研究版图角色

候选论文

排序敏感性

稳定性：volatile；排名波动范围：49。

关键词评分

sketch extrusion
10
CAD reconstruction
10
neural CAD
8
AI for CAD
7
parametric CAD
7
CAD generation
7
computer-aided design
6
generative CAD
6
image-to-CAD
6
constructive solid geometry
5
CSG
5
CAD program
4
point cloud to CAD
3
B-Rep
2
boundary representation
2
text-to-CAD
0

深度分析

创新点

  • 无需标签的自监督CAD重建学习
  • 通过模仿现代CAD建模语言学习2D草图和3D拉伸参数进行重建
  • 草图隐式场表示，实现潜在空间插值和CAD变体
  • 结合拉伸圆柱体与布尔并集逼近目标几何

方法

SECADNet是一种端到端神经网络，以自监督方式通过预测2D草图和3D拉伸参数从原始几何学习重建CAD模型。它通过将每个草图从2D平面拉伸到3D实体生成拉伸圆柱体，并通过布尔并集组合它们以逼近目标形状。使用隐式场表示草图，允许在草图潜在空间中进行插值以生成CAD变体。

关键结果

在ABC和Fusion 360数据集上的实验表明，SECADNet优于最先进的替代方法，包括密切相关的监督方法，并适用于CAD编辑和单视图重建。

技术栈

Neural NetworkImplicit FieldsBoolean UnionSketch-Extrude Operations

资源

论文

标签