Self-supervised Graph Neural Network for Mechanical CAD Retrieval

计算机辅助设计（CAD）在机械工业中发挥着至关重要的作用，通常会创建大量相似形状的CAD零件。高效地重复使用这些零件是降低企业设计和生产成本的关键。检索系统对于实现CAD重复使用至关重要，但由于CAD模型的复杂形状难以用文本或关键词准确描述，传统的检索方法无效。虽然已经为CAD开发了现有的表示学习方法，但在这些方法中手动标记相似样本是昂贵的。此外，CAD模型的独特参数化数据结构对于直接应用现有的3D形状表示学习技术提出了挑战。在这项工作中，我们提出了GC-CAD，一种基于自监督对比图神经网络的机械CAD检索方法，直接对参数化的CAD原始文件进行建模。GC-CAD由两个关键模块组成：结构感知表示学习和对比图学习框架。该方法利用图神经网络从CAD模型中提取几何和拓扑信息，生成特征表示。然后，我们引入了一种简单而有效的对比图学习框架方法，使模型能够在没有手动标签的情况下进行训练并生成检索准备好的表示。包括人类评估在内的四个数据集上的实验结果表明，所提出的方法在准确性和效率方面均实现了显着的改进，基线方法的效率提高了100倍。

解决机械CAD检索中的图形表示和自动标注问题，提高检索效率和准确性。

GC-CAD是一种基于自监督对比图神经网络的机械CAD检索方法，直接建模参数化CAD原始文件。该方法包括结构感知表示学习和对比图学习框架两个关键模块，利用图神经网络从CAD模型中提取几何和拓扑信息，生成特征表示。引入简单而有效的对比图学习框架，使模型能够在无需手动标注的情况下训练，并生成检索准备好的表示。

该方法在四个数据集上进行了实验，包括人类评估，证明了该方法在准确性和效率方面都有显著的提高，并且与基线方法相比，效率提高了100倍。该方法的亮点包括：自监督对比学习，结合了几何和拓扑信息，直接建模参数化CAD原始文件，无需手动标注。

在这个领域中，最近的相关研究包括：Deep Graph Library (DGL)，Graph Convolutional Networks (GCN)，Graph Attention Networks (GAT)等。