在今年初，丹麦奥胡斯大学的两位学者：Alexandros Iosifidis教授与Negar Heidari博士发表了一篇调研报告，题为：《Geometric Deep Learning for Computer-Aided
Design: A Survey》。
(奥胡斯大学两位学者简介)
文章列举了多个几何机器学习的数据集，在摘要中是这么描述几何机器学习的：“几何深度学习技术已成为CAD领域的一股变革力量，并有可能彻底改变设计师和工程师处理和改进设计流程的方式。通过利用基于机器学习的方法的强大功能，CAD设计师可以优化他们的工作流程，节省时间和精力，同时做出更明智的决策，并创建兼具创新性和实用性的设计。处理由几何数据表示的CAD 设计并分析其编码特征的能力能够识别不同CAD模型之间的相似性，提出替代设计和增强功能，甚至生成新颖的设计替代方案。该调研全面概述了计算机辅助设计中各种类别的基于学习的方法，包括相似性分析和检索、2D与3D CAD 模型合成以及从点云生成CAD。此外，该调研还提供了基准数据集及其特征的完整列表，以及推动该领域研究的开源代码。最后的讨论深入探讨了该领域普遍存在的挑战，然后是这个快速发展的领域未来的潜在研究方向。”
（调研报告可在arXiv搜索到）
文章很贴心的对CAD几何中的常见词汇做了具体描述：
下面是最重磅的总结了，值得收藏。将数据集的参数规模，类型，应用点做了列举与分类。
文章介绍了几个典型的机器学习架构，如UV-NET的架构。UV-Net是最早提出的直接处理3D CAD模型的 BRep数据格式的深度学习方法之一。UV-Net通过使用邻接图对拓扑进行建模，并根据曲线和曲面的U和V参数域以规则网格格式对几何进行建模，为 BRep数据提出了一种内聚图表示。
同时也介绍了诸如MFCAD，SketchGen，DeepCAD, CAD2Sketch/Sketch2CAD等等。
(MFCAD)
(SketchGen)
(CAD2Sketch/Sketch2CAD)
（DeepCAD架构）
1. 带注释的BRep数据。尽管近年来发布了几个大型 CAD 数据集，其中包括BRep格式以及传统的3D数据格式，但基于监督学习的方法对带注释的数据集的需求仍然很大。为 CAD模型分类添加注释的数据集在大小上仍然有限，缺乏对CAD模型进行全面分析所需的多样性和复杂性。3. 无监督与自监督的方案值得探索。鉴于CAD中缺乏用于监督学习的注释数据，利用大规模数据集，增强自监督和/或无监督方法具有很大的潜力。4. CAD生成和BRep合成探索。当前CAD 命令的通用方法通常侧重于一组有限的操作，例如草图和拉伸，从而限制了生成的 CAD 模型的复杂性和多样性。值得注意的是，在某些方法中，例如 DeepCAD，无法保证所有生成的CAD命令序列都会产生拓扑逻辑上有效的CAD模型，尤其是在具有长命令序列的复杂模型的情况下。因此，未来探索的途径包括扩展生成方法以涵盖更广泛的CAD操作，例如圆角和倒角，从而允许为更复杂的CAD形状生成命令序列。5. 提高框架可重复性的透明度。在这个领域，一个重大的挑战在于重现和比较不同方法的实验结果。由于缺乏大规模的标注基准数据集，因此为基于机器学习的 CAD 分析提出的每种方法要么引入为特定任务量身定制的新标注CAD数据集，要么修改和标注大规模数据集的一部分以进行评估。在这些较小的数据集上训练的监督方法通常表现出高性能，几乎没有改进的余地。此外，由于每种方法都是在适合其特定任务的数据集上进行基准测试的，因此比较结果变得复杂。为了解决这些问题，强烈建议研究人员为其发布的代码提供全面的文档，详细说明数据预处理设置，并提供有关实验设置和代码依赖关系的足够信息。这种透明度可以极大地促进该领域未来的研究工作。
转载请注明来源本文地址：https://www.tuituisoft/blog/5228.html