下載app免費領取會員
在今年初，丹麥奧胡斯大學的兩位學者：Alexandros Iosifidis教授與Negar Heidari博士發表了一篇調研報告，題為：《Geometric Deep Learning for Computer-Aided
Design: A Survey》。
(奧胡斯大學兩位學者簡介)
文章列舉了多個幾何機器學習的數據集，在摘要中是這么描述幾何機器學習的：“幾何深度學習技術已成為CAD領域的一股變革力量，并有可能徹底改變設計師和工程師處理和改進設計流程的方式。通過利用基于機器學習的方法的強大功能，CAD設計師可以優化他們的工作流程，節省時間和精力，同時做出更明智的決策，并創建兼具創新性和實用性的設計。處理由幾何數據表示的CAD 設計并分析其編碼特征的能力能夠識別不同CAD模型之間的相似性，提出替代設計和增強功能，甚至生成新穎的設計替代方案。該調研全面概述了計算機輔助設計中各種類別的基于學習的方法，包括相似性分析和檢索、2D與3D CAD 模型合成以及從點云生成CAD。此外，該調研還提供了基準數據集及其特征的完整列表，以及推動該領域研究的開源代碼。最后的討論深入探討了該領域普遍存在的挑戰，然后是這個快速發展的領域未來的潛在研究方向。”
（調研報告可在arXiv搜索到）
文章很貼心的對CAD幾何中的常見詞匯做了具體描述：
對常見的數據格式也做了分類列舉：
下面是最重磅的總結了，值得收藏。將數據集的參數規模，類型，應用點做了列舉與分類。
文章介紹了幾個典型的機器學習架構，如UV-NET的架構。UV-Net是最早提出的直接處理3D CAD模型的 BRep數據格式的深度學習方法之一。UV-Net通過使用鄰接圖對拓撲進行建模，并根據曲線和曲面的U和V參數域以規則網格格式對幾何進行建模，為 BRep數據提出了一種內聚圖表示。
同時也介紹了諸如MFCAD，SketchGen，DeepCAD, CAD2Sketch/Sketch2CAD等等。
(MFCAD)
(SketchGen)
(CAD2Sketch/Sketch2CAD)
（DeepCAD架構）
文章最后拋出了一些討論點：
1. 帶注釋的BRep數據。盡管近年來發布了幾個大型 CAD 數據集，其中包括BRep格式以及傳統的3D數據格式，但基于監督學習的方法對帶注釋的數據集的需求仍然很大。為 CAD模型分類添加注釋的數據集在大小上仍然有限，缺乏對CAD模型進行全面分析所需的多樣性和復雜性。
2. 對于復雜CAD組件的裝配存在分析困難。
3. 無監督與自監督的方案值得探索。鑒于CAD中缺乏用于監督學習的注釋數據，利用大規模數據集，增強自監督和/或無監督方法具有很大的潛力。
4. CAD生成和BRep合成探索。當前CAD 命令的通用方法通常側重于一組有限的操作，例如草圖和拉伸，從而限制了生成的 CAD 模型的復雜性和多樣性。值得注意的是，在某些方法中，例如 DeepCAD，無法保證所有生成的CAD命令序列都會產生拓撲邏輯上有效的CAD模型，尤其是在具有長命令序列的復雜模型的情況下。因此，未來探索的途徑包括擴展生成方法以涵蓋更廣泛的CAD操作，例如圓角和倒角，從而允許為更復雜的CAD形狀生成命令序列。
5. 提高框架可重復性的透明度。在這個領域，一個重大的挑戰在于重現和比較不同方法的實驗結果。由于缺乏大規模的標注基準數據集，因此為基于機器學習的 CAD 分析提出的每種方法要么引入為特定任務量身定制的新標注CAD數據集，要么修改和標注大規模數據集的一部分以進行評估。在這些較小的數據集上訓練的監督方法通常表現出高性能，幾乎沒有改進的余地。此外，由于每種方法都是在適合其特定任務的數據集上進行基準測試的，因此比較結果變得復雜。為了解決這些問題，強烈建議研究人員為其發布的代碼提供全面的文檔，詳細說明數據預處理設置，并提供有關實驗設置和代碼依賴關系的足夠信息。這種透明度可以極大地促進該領域未來的研究工作。
本文版權歸腿腿教學網及原創作者所有，未經授權，謝絕轉載。
上一篇：revit如何打開fbx文件
下一篇： 中國圖學學會BIM證書可作為投標加分條件，8月25日起施行
推薦專題
