NeurCADRecon: Neural Representation for Reconstructing CAD Surfaces by Enforcing Zero Gaussian Curvature

尽管使用神经符号距离函数（SDF）重建有机模型已经取得了一些进展，但是直接从低质量的未定向点云高保真度地重建CAD模型仍然是一个重大挑战。本文基于之前的观察，即CAD模型的表面通常由分段曲面补丁组成，每个补丁都大致可展，即使在特征线周围也是如此，来应对这个挑战。我们的方法名为NeurCADRecon，是自监督的，其损失包括一个可展性项，以鼓励高斯曲率趋近于0，同时确保对输入点的保真度。我们注意到高斯曲率在尖点处是非零的，因此引入了双槽曲线来容忍这些尖点的存在。此外，我们开发了一种动态采样策略，以处理给定点不完整或过于稀疏的情况。由于我们得到的神经SDF可以清晰地显示锐利的特征点/线，因此可以轻松地从SDF中提取特征对齐的三角形网格，然后将其分解为平滑的曲面补丁，大大降低了恢复参数化CAD设计的难度。与现有最先进的方法进行全面比较，结果显示我们的方法在重建忠实的CAD形状方面具有显着优势。

解决问题：本论文旨在解决从低质量未定向点云直接高保真重建CAD模型的问题。

关键思路：本文提出了一种名为NeurCADRecon的自监督方法，通过发现CAD模型表面通常由大量近似可展曲面组成的先验知识，引入了一个发展性项来鼓励高斯曲率接近于0，同时保证对输入点的忠实度。同时，为了容忍尖点的存在，引入了一个双槽曲线。此外，还开发了一种动态采样策略来处理给定点不完整或过于稀疏的情况。最终得到的神经SDF可以清晰地表现出尖锐的特征点/线，可以轻松从SDF中提取特征对齐的三角形网格，然后将其分解为平滑的曲面片，从而大大降低了恢复参数化CAD设计的难度。

其他亮点：实验结果表明，与现有的最先进方法相比，我们的方法在重建忠实的CAD形状方面具有显着优势。本文使用动态采样策略和双槽曲线等新技术，提出了一种新的自监督方法，该方法可以在低质量未定向点云的情况下高保真重建CAD模型。本文还提供了详细的实验分析和结果，以及开源代码。

相关研究：最近的相关研究包括PointSetGen、PUGeo-Net和PU-Net等。