Siggraph 2025

深圳大学的Huang Hui团队独立推出了CLR Wire：由正在进行的潜在空间驱动的三维曲线框架生成驱动的方法，该方法首次实现了复杂的复杂三维曲线框架在正在进行的自然空间中的复杂三维曲线结构的统一编码，从而解决了传统问题的困难技术的传统问题。线框几何和拓扑信息同时有效。这项现代技术可以实现复杂的三维结构的巨大生成和平稳的分离，并在工业设计，三维重建和内容创建方面具有广泛实用的前景。第一个是在视觉计算研究中心（VCC），深圳大学学习的医生Ma Xueqi，以及合作的Liu Yilin，Gao Tianlong和Huang Qirui都是VCC毕业生。与CLR相关的代码是完全开放的资源，每个人都将受到欢迎并推荐。项目主页：https：//vcc.tech/research/2025/clrwire项目代码：https：//github.com/qixuema/cixuema/clr-wire-wire链接链接：https：//arxiv.org/abs/2504.19174也许，也许如何正确地将圆柱体正确地变成精致的圆盘般的结构；也许，多么微妙地将decan刀移到圆形花瓶上。即便如此，如何逐渐从屋顶建筑变为简单明亮的正方形结构，以及在这样的漏斗或圆盘结构之间的自由形式转移。明智的clr线（发音：透明线）为我们提供了答案：它在连续的潜在空间中创新编码几何曲线和拓扑，从而在不同的三维曲线框架之间实现了平稳的过渡。它不仅扩大了三维线框建模的边界，而且还为三维形状和交互式设计打开了新的想象空间。接下来，让我们探索CLR线背后的基本技术和机制。 CLR-Wire 3的主要技术和机制3D曲线框架在减轻形状方面具有重要意义[Mehra等。 2009]，表面的重建[Pan等。 2015]和交互式设计[Gal等。 2009]。但是，早期程序通常依靠高质量的点云来拾取角点或边缘[Liu等。 2021;朱等。 2023]，缺乏拓扑结构的线框； B-REP生成的最新方法，例如实心[Jayaraman等。 2023]，Brepgen [Xu等。 [2024]尽管顶点，边缘和面可能是模型，但它们主要集中在常规几何形状上，对不规则形状的支持不足以及采用建模方法将几何形状和拓扑分开，可以轻松引入错误。这项工作首先通过许多共同编码神经曲线参数和与固定长度矢量的离散拓扑关系的跨注意层提出了CLR线，并使用差异自动编码器来生成连续的空间分布。然后，流匹配过程用于实现从高斯噪声到完整的线框的产生，并基于云和图像支持SAN无条件的生成和世代。实验结果表明，在发电，新品种方面，这种方法明显好于最先进的方法，并且可以有效地适应复杂的拓扑结构，为CAD设计和三维内容创建提供了出色可靠的新解决方案。这项工作着重于潜在空间和三维曲线框架的持续表示，主要贡献如下：引入了线框空间的持续潜在表示，并实现了三维曲线框架几何学和拓扑的平稳整合；建立了基于持续的潜在空间的三维曲线框架生成框架。并在线框生成中勾选无条件和条件驱动器（点云或图像）。 Curvevaecurvevae模块旨在绘制紧凑的潜在矢量表示中的各种三维几何曲线。首先，该过程是每条曲线的标准，并通过将曲线起始点转换为固定位置来提高训练稳定性，并通过旋转和缩放来消除不同曲线之间的位置，方向和尺度差异，从而使点的末端在另一个固定位置处对齐。随后，某些点与标准化曲线一起均匀地采样，并且高维曲线点云的特征是使用交叉注意机制，然后通过多层一维卷积压缩到潜在矢量，同时保持曲线的细节。在解码阶段，解码器首先使用一维起义爆发来将特征恢复到更高的维度，然后结合编码位置并交叉注意机制以将持续参数映射到CORERSPON通过多层感知器的DING曲线位置，事件，线框架FrameVae模块旨在融合曲线编码器的潜在矢量，相应的顶点坐标以及相邻关系列表，并在全局潜在的Vector中对待它们。到目前为止，该方法首先通过第一个遍历安排了相邻列表中的线序列，然后将感知器集成模块用于融合曲线特征，顶点信息和与拓扑连接的Thoserationshighips中，以产生统一的全球潜伏向量。在解码阶段，该过程使用一组学习的查询向量在全局潜在矢量中执行跨注意操作，捕获每条曲线的特征，然后预测相邻的坐标，顶点坐标和线框的曲线的关系。此外，通过构建差异 - 相邻的形容词形式，此方法简化了相邻列表的表示。最后，含义正方形误差损失，跨侧拷贝丧失和多样性丧失与实践相结合，以确保出色的融合和高质量的重建几何影响和拓扑信息。匹配的线框流量流基于潜在线框表示的模块匹配的流量，该模块匹配的目的是逐渐形成噪声中线框样本的潜在矢量表示。该方法通过训练时间型进化场的网络来描述潜在矢量，从而改变了初步噪声分布以及可能靶向电位分布的路径。网络最小化了预测速度和训练过程中的实际变化速度之间的误差，以确定正确的进化场。训练完成后，仅需要进化过程才能生产新的潜在空间样本。为了支持一代的状况，该过程还引入了Acceai的预训练特征地理图像是网络获取的点云特征，因此考虑了基于稀疏点云或单视图图像的无条件生成和三维生成线框的生成。结果表明，为了评估线框生成的质量，该过程首先使用CD和EMD来测量生成的线框和参考线框之间的几何均匀性；然后引入共享指标来衡量样品的多样性和一致性：COV用于评估生成的结果的范围，MMD测量结果与真实分布之间的差异，而1-NN确定了两个分布的相似性。集成 - 与这些指标，该过程与3DWire进行了比较[Ma等。 2024]，Deepcad [Wu等。 2021]和Brepgen [Xu等。 [2024]在无条件的活动中。在无条件世代的实验中，3DWire只能产生Wilef由直线组成，无法描述曲线；尽管DeepCad和Brepgen可以产生弯曲的表面模型，但其线框依赖于表面的产生，具有简单的结构和缺乏细节。相比之下，CLR线可以通过编码几何学和拓扑的统一连续的潜在空间直接产生完整而多样的自由曲线框架。此外，通过从大量生成的样本进行多个随机抽样实验的其他方法与其他方法的无条件生成结果进行比较，该方法在各种评估指标中显着超过其他方法：较高的覆盖范围：较高的覆盖范围：较高的覆盖范围：较高的分布差异，较低的分布差异反映了较高的邻居，它的分布程度较高，它的分布程度是高度的一致性，并且具有很高的一致性，并且具有很高的一致性。验证建模功能和T的可靠性他程序。将指标的无条件生成与其他方法（左）进行比较的结果（左）比较基于点云的线框重建方法（右）在实验生成的世代中，此方法测试了线框生成具有点或图像云的能力。对于点云条件，将此方法与RFEP进行比较[Xu等。 2022]和神经[Zhu等。 [2023]取决于广泛且局部损失的情况的密集云。 CLR线比CD，EMD和F1分数上的其他方法更重要，并且所得的线框更细节，并且在拓扑结构上完成。传统方法依赖于当地的尖锐特征，并且在面对光滑或缺失的输入时容易受到不完整的结构。该方法将有效地支付稀疏和不完整的信息，并保持重建的完整性和预训练的全球潜在空间和几何的一致性RY-Topologicy先验。在指向比较的云条件下重建各种过程（左）此过程在部分云条件下（右）生成结果，此外，当单视图像和草图用作输入条件时，该过程还可以产生完整且新颖的三维曲线框架，显示应用程序电位。在自然空间插值中的单视图和草图条件下，该方法生成的结果，该方法实现了不同的线框之间的平稳过渡。该方法首先采用对应于不同线框的潜在向量，然后通过球形线性插值形成中间的潜在表示顺序，然后用相应的三维曲线框架对其进行解码。结果表明，插值过程不仅在几何细节中保持诚实，而且还成功捕获了开始 - UP和目标之间的拓扑变化线框，显示该方法在应用程序方案（例如直观编辑和交互式操作）中的潜在值。晚期空间插值可视化：（b） - （e）显示了各种拓扑形状的连续过渡，（e）将从类似瓶子的结构正确地变为打开这样的碗，这反映了该技术获得几何和拓扑变化的能力。摘要和前景。该方法提出了一个相等地图的图，以在正在进行的潜在空间中不规则的三维曲线框架，从而实现了几何细节和与自然空间的拓扑连接的整合，从而确保了线框生成过程中的一致性和完整性。实验实验，即该表示形式在空间，无条件和条件世代的自然插值中具有很大的差异和准确性，从而显着提高了一代复杂曲线框架的能力。虽然Lathis帐篷空间表明能够平滑插值，仍需要进一步的研究来控制和编辑。将来，仍然有必要使潜在空间更接近文本描述，以达到更高的语义驱动语义级别。