# point2cyl

**Repository Path**: mecwind/point2cyl

## Basic Information

- **Project Name**: point2cyl
- **Description**: AI开源大讲堂 课程作业
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2022-12-24
- **Last Updated**: 2023-01-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# Point2Cyl：从点云到拉伸柱体的3D对象逆向工程

![pic-network](teaser_v4-compressed.png)

## 简介
Point2Cyl是一个将原始三维点云转换为一组拉伸柱体的监督网络。从原始几何体到CAD模型的逆向工程是一项重要的任务，通过逆向工程，可以在形状编辑软件中对三维数据进行操作，从而拓展其下游应用。特别是，CAD模型的形式中，一种广泛使用的形式为一组拉伸柱体（一个二维草图加上一个拉伸轴和范围）以及它们的布尔组合，该形式与有限的基元类型（如平面、球体和圆柱）相比，具有强大的形状表达能力。下图展示了典型的通过拉伸柱体创建三维模型的过程。![CAD模型的创建形式](1.png)

在论文中，引入了一个神经网络，通过首先学习基础的几何代理，以几何为基础的方式解决拉伸柱体的分解问题。准确地说，该方法首先预测每个点的分割、基平面/柱面的标签和法线，然后以可微调的闭合形式估计基础拉伸参数。

## 网络结构

![网络结构图](net.png)

## 环境配置

相关的系统与硬件配置如下：

- Windows 10（本地）/ Ubuntu 18.04（远程）
- Python 3.7
- CUDA 10.2
- Python依赖库在 requirements.txt 中列出

## 数据集
使用 [DeepCAD](http://download.cs.stanford.edu/orion/Point2Cyl/data.tar.gz) 数据集。

## 训练网络
运行以下代码进行训练：

```
python train_Point2Cyl_without_sketch.py --logdir=log/Point2Cyl_without_sketch/ --pred_seg --pred_normal --pred_bb --data_dir=data/
```

## 评估网络性能
运行以下代码评估网络性能：
```
# For Point2Cyl without sketches.
python eval.py --logdir=results/Point2Cyl_without_sketch/ --dump_dir=dump/Point2Cyl_without_sketch/ --data_dir=data/
```

## 可视化
运行以下代码获得实验结果的可视化展示：
```
python visualizer.py --logdir=results/Point2Cyl --model_id=55838_a1513314_0000_1 --dump_dir=dump_55838_a1513314_0000_1 --output_dir=output_55838_a1513314_0000_1 --data_dir=data/
```

## 实验结果

### 对样例点云的逆向工程

输入点云：

![输入](output_55838_a1513314_0000_1/screen1.png)

两个中间模型：

<center class="half">
    <img src="output_55838_a1513314_0000_1/screen3.png" width="300">
    <img src="output_55838_a1513314_0000_1/screen2.png" width="300">
</center>

合并后的重建模型：

<img src="output_55838_a1513314_0000_1/screen4.png" alt="输出" style="zoom:25%;" />

### 网络性能评估

Loss_bb_CE、Loss_normal：

<center class="half">
    <img src="Loss_bb_CE.svg" width="200">
    <img src="Loss_normal.svg" width="200">
</center>

Loss_segmentation_mIOU、Loss_total：

<center class="half">
    <img src="Loss_segmentation_mIOU.svg" width="200">
    <img src="Loss_total.svg" width="200">
</center>

```
Model num evaluated= 1108
Mean mIOU= 0.7122877560999742
Mean normal angle error (degrees) = 8.99443913495928
Mean base/barrel accuracy= 0.91022687009956
Mean extrusion angle error (degrees) = 8.15877876485217
Mean centroid difference = 0.05875903186562811
Mean per-extrusion cylinder fitting loss= 0.06660981704766732
Mean global fitting loss= 0.031630549589314896
```



## 参考文献

1. [Uy M A, Chang Y Y, Sung M, et al. Point2Cyl: Reverse Engineering 3D Objects From Point Clouds to Extrusion Cylinders[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022: 11850-11860.](https://arxiv.org/abs/2112.09329)