Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning

我们介绍了一种新颖的方法来获取三维CAD模型的边界表示（B-Reps），它涉及一个两步过程：首先应用一个空间分割，称为“分割”，然后进行“拟合”操作，以便在每个分割中导出一个单一的基元。具体而言，我们的分割旨在产生一组地面真实（GT）B-Rep基元的经典Voronoi图。与以往的B-Rep构建不同，它们是自下而上的，通过直接基元拟合或点聚类，我们的分割和拟合方法是自上而下的和结构感知的，因为Voronoi分割明确地显示了基元的数量和连接。我们设计了一个神经网络来通过二进制分类从输入点云或距离场预测Voronoi图。我们展示了我们的网络，称为NVD-Net，可以有效地从训练数据中学习CAD模型的Voronoi分割，并展示了卓越的泛化能力。广泛的实验和评估表明，由参数曲面、曲线和顶点组成的结果B-Reps比现有的替代方案更可信，并且重建质量有显著的提高。代码将在https://github.com/yilinliu77/NVDNet发布。

论文旨在提出一种新的方法，通过两个步骤（split和fit）获取三维CAD模型的边界表示（B-Reps）。这种方法是否能够更好地重建CAD模型的B-Reps？

该论文提出了一种名为Split-and-Fit的新方法，通过拆分和拟合操作，从CAD模型的真实B-Rep基元集合中生成Voronoi图分割，并使用神经网络学习预测Voronoi图分割。相比于现有的B-Rep构建方法，Split-and-Fit方法是自上而下的、结构感知的，因为Voronoi分割明确地显示了B-Rep基元的数量和连接方式。

该论文的亮点包括：使用Split-and-Fit方法生成的B-Reps比现有方法更加真实；提出了名为NVD-Net的神经网络，可以有效地学习预测CAD模型的Voronoi图分割；使用大量实验和评估证明了该方法的有效性和优越性；已经在https://github.com/yilinliu77/NVDNet上发布了代码。

最近在这个领域中，还有一些相关的研究，例如：“DeepSDF: Learning Continuous Signed Distance Functions for Shape Representation”和“Occupancy Networks: Learning 3D Reconstruction in Function Space”等。