摘要

从原始几何数据中逆向工程生成CAD模型是一个经典但艰巨的研究问题。以往基于学习的方法由于依赖监督设计模式或重建的CAD形状难以编辑，因此需要大量标签。在本研究中，我们引入了SECAD-Net，这是一种端到端的神经网络，旨在以自监督的方式重建紧凑且易于编辑的CAD模型。受现代CAD软件中最常用的建模语言启发，我们提出从原始形状中学习2D草图和3D拉伸参数，通过将每个草图从二维平面拉伸成三维实体，可以生成一组拉伸圆柱体。通过结合布尔运算（即并集），这些圆柱体可以组合起来以近似目标几何形状。我们主张使用隐式场进行草图表示，这允许通过在草图潜在空间中插值潜在代码来创建CAD变体。我们在ABC和Fusion 360数据集上进行了广泛的实验，结果证明了我们方法的有效性，并显示其优于包括密切相关的监督CAD重建方法在内的现有最先进替代方案。此外，我们将该方法应用于CAD编辑和单视图CAD重建。代码已发布在https://github.com/BunnySoCrazy/SECAD-Net。