真实图像到CAD重建的新数据集与方法
原文：RealCAD: Towards Real-World Image-to-CAD Reconstruction under Domain Shift and Parameter Bias
从图像重建可编辑的计算机辅助设计（CAD）模型对于下游修改、制造和设计复用至关重要。然而，现有的图像到 CAD 方法主要基于合成渲染图开发，并面临两个相互交织的障碍：合成图像与真实图像之间显著的外观域差距，以及常用 CAD 数据中此前被忽视的参数偏差。我们证明，DeepCAD 采用的局部归一化使若干几何参数集中在少数离散值附近，同时将大量信息编码到单一尺度因子中。因此，模型可以通过利用这些高频取值而非从输入图像推断几何，获得虚高的参数精度。本文提出 RealCAD，这是一个在表示、图像和特征层面解决上述局限的统一框架。在表示层面，我们将尺度信息重新分配到相应的几何参数，在共享尺度空间中产生更分散的参数分布。在图像层面，几何约束的转换在以物体轮廓为条件的情况下，将合成渲染图转换到真实图像域。在特征层面，多正样本对比目标对齐同一 CAD 模型在不同视角和图像域下的表示，使每个单一视角均可进行 CAD 序列预测。我们还推出 OpenRealCAD 数据集，包含 392 个 3D 打印物体的四视角照片，并配有真实命令序列。实验表明，改进后的表示显著降低了依靠参数频率先验所能达到的精度，使参数精度成为衡量基于图像的几何推断的更可靠指标。RealCAD 进一步提升了真实域的命令与参数精度，同时保持了具有竞争力的合成域性能。