摘要

我们提出了一种名为Point2Cyl的监督网络，该网络可以将原始3D点云转换为一组拉伸圆柱体。从原始几何数据逆向工程生成CAD模型是一项关键任务，它使得3D数据能够在形状编辑软件中进行操作，从而扩展其在许多下游应用中的用途。特别是，由一系列拉伸圆柱体（即2D草图加上一个拉伸轴和范围）及其布尔组合构成的CAD模型形式不仅在CAD社区/软件中广泛使用，而且相比有限类型的基元（例如平面、球体和圆柱体），具有更强的形状表达能力。在这项工作中，我们引入了一种神经网络，通过首先学习底层几何代理来以几何为基础的方式解决拉伸圆柱体分解问题。具体而言，我们的方法首先预测每个点的分割、基座/桶身标签和法线方向，然后通过可微分和闭式公式估计底层拉伸参数。实验结果表明，我们的方法在两个最近的CAD数据集Fusion Gallery和DeepCAD上表现出最佳性能，并且我们在逆向工程和编辑方面进一步展示了该方法的应用。