｛“status”：“ok”，“message type”：“work”，“message version”：“1.0.0”，“message”：｛“indexed”：｛“date parts”：[[2024,6,29]，“date time”：“2024-06-29T12:35:54Z”，“timestamp”：1719664554762}，“reference count”：57，“publisher”：“Association for Computing Machinery（ACM）”，“issue”：“6”，“license”：[｛“start”：｛“date parts”：[[2018,11,20]，“date time”：“2018-11-20T00:00:00Z”，“timestamp”：1542672000000}，“content-version”：“vor”，“delay-in-days”：365，“URL”：“http://www.acm.org\/publications\/policys\/corpyright_policy#Background”}]，“funder”：[{“DOI”：“10.13039\/1000000005”，“name”：“美国国防部”，“DOI-asserted-by”：“publisher”，”“award”：[“N00014-13-1-0341”]}“，”name“：”Adobe Systems“，“doi-asserted-by”：“publisher”}，{“doi”：“10.13039\/100004675”，“name”：“Autodesk”，“doi-asserted-by”：”publisher“}，}“doi:”10.13039\/100006785“，”name“：”Google“，”doi-assert-by“：”publiser“，”award“：[”Google焦点研究奖“]}，“doi“奖项”：[“IIS-1528025 and DMS-1521608”]}，{“DOI”：“10.13039\/501100007633”，“name”：“韩国高等研究基金会”，“DOI-asserted-by”：“publisher”}]，“content-domain”：{“domain”:[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[“acm Trans.Graph.”]，”published-print“：{”date-parts“：[2017,12,31]}”，“abstract”：“基于装配的工具为非专业形状设计师提供了强大的建模范例。然而，从大型形状存储库中选择组件并将其与部分部件对齐可能会成为一项艰巨的任务。在本文中，我们描述了一种新的神经网络结构，用于建议不完整3D零件装配的互补组件及其位置。与大多数现有技术不同，我们的网络是根据从公共在线存储库获得的未标记数据进行训练的，不依赖一致的零件分段或标签。缺少标签对检索零件数据库的索引提出了挑战。我们通过联合训练嵌入和检索网络来解决这个问题，其中第一个网络通过将其映射到低维特征空间来对其进行索引，第二个网络将部分集合映射到适当的补集。由于检索网络不是一个函数，零件排列的组合性质带来了另一个挑战：对于同一输入，可以使用多个补码。因此，我们训练我们的网络来预测零件嵌入空间上的概率分布，而不是预测单个输出。这使得我们的方法能够处理模糊性，并自然地支持将用户首选项无缝集成到设计过程中的UI。我们证明，我们的方法可以用于设计复杂形状，用户输入最少或没有输入。为了评估我们的方法，我们为组件建议系统开发了一个新的基准，该基准证明了相对于最先进技术的显著改进<\/jats:p>“，”DOI“：”10.1145\/313080.3130821“，”type“：”journal-article“，”created“：{”date-parts“：[[2017,11,22]]，”date-time“：”2017-11-22T16:25:08Z“，”timestamp“：1511367908000}，”page“：“1-12”，“update-policy”：“http://\/dx.DOI.org\/10.1145\/crossmark-policy”，“source”：”Crossref“，”is-referenced-by-count“：67，“title”：[“ComplementMe”]，“prefix”：“10.1145”，“volume”：“36”，“作者”：[{“给定”：“Minhyuk”，“家庭”：“Sung”，“序列”：“first”，“affiliation”：[}，{“给出”：“Hao”，“家族”：“苏”，“sequence”：“additional”，“从属关系”：[[{”name“：“Stanford University and University of California San Diego”}]}，“给定”:“Vladimir G.”，”family“：”Kim“，”sequence“：”additional“，”affiliance“：[{”name“：”Adobe Research“}]}，{”given“：”Siddhartha“，”family“：”Chaudhuri“，”sequence“：”additional“，”affiliation“：[{”name“：”IIT Bombay“}]]}，“given”：”Leonidas“，”家庭“：”Guibas“，”序列“：”附加“，”从属“：[[{“name”：“Stanford University”}]}]，“member”：“320”，“published online”：{“date-parts”：[2017,11,20]}“，”reference“：[{”key“：”e_1_2_2_1“，”volume-title“：”ShapeNet：一个信息丰富的3D模型库。CoRR abs \/1512.03012“，“作者”：“Chang Angel X”，“年份”：“2015”，“非结构化”：“Angel X.Chang，Thomas A.Funkhouser，Leonidas J.Guibas，Pat Hanrahan，Qi-Xing Huang，Zimo Li，Silvio Savarese，Manolis Sawa，Shuran Song，Hao Su，Xiao，Li Yi，Fisher Yu。2015.ShapeNet:信息丰富的3D模型库。CoRR abs \/1512.03012（2015）。Angel X.Chang、Thomas A.Funkhouser、Leonidas J.Guibas、Pat Hanrahan、Qi-Xing Huang、Zimo Li、Silvio Savarese、Manolis Sawa、Shuran Song、Hao Su、Xiao、Li Yi和Fisher Yu。2015.ShapeNet:信息丰富的3D模型库。CoRR abs \/1512.03012（2015）。“}，{”key“：”e_1_2_3_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/1964921.1964930”}，“key”：“e_2_2_4_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/1866158.1866205“}”，{“年份”：“2010年”，“非结构化”：“Gal Chechik、Varun Sharma、Uri Shalit和Samy Bengio。2010年，通过排名大规模在线学习图像相似性。JMLR（2010）。Gal Chechik、Varun Sharma、Uri Shalit和Samy Bengio。2010年，通过排名大规模在线学习图像相似性。JMLR（2010）。}，{“key”：“e_1_2_6_1”，“非结构化”：“Christopher B.Choy Danfei Xu JunYoung Gwak Kevin Chen和Silvio Savarese，2016。3D-R2N2：一种用于单视图和多视图三维对象重建的统一方法。Christopher B.Choy Danfei Xu JunYoung Gwak Kevin Chen和Silvio Savarese。2016.3D-R2N2：单视图和多视图3D物体重建的统一方法。“}，{”key“：”e_1_2_2_7_1“，”volume-title“：”从单个图像重建三维对象的点集生成网络.CVPR“，”author“：”Fan Haoqiang“，”year“：”2017“，”unstructured“：”Haoqang Fan，Hao Su，and Leonidas Guibas.2017。用于从单个图像重建三维对象的点集生成网络。CVPR（2017）。范浩强、苏浩和列奥尼达斯·吉巴斯。2017.从单个图像重建三维对象的点集生成网络。CVPR（2017）。“}，{”key“：”e_1_2_8_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2366145.2366154”}，“key”：“e_1_i_2_9_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/1015706.105775“}”，{uez S.Orts-Escolano M.Cazorla和J.Azorin-Lopez，2016年。PointNet：用于实时对象类识别的3D卷积神经网络。在IJCNN中。A.Garcia-Garcia F.Gomez-Donoso J.Garcia-Rodriguez S.Orts-Escolano M.Cazorla和J.Azorin-Lopez。2016年。PointNet：用于实时对象类识别的3D卷积神经网络。在IJCNN中。“，”DOI“：”10.1109\/IJCNN.2016.7727386“}，{”key“：”e_1_2_2_11_1“，”DOI-asserted-by“：”crossref“，“unstructured”：“Rohit Girdhar David F.Fouhey Mikel Rodriguez and Abhinav Gupta.2016。学习对象的可预测和生成向量表示。Rohit Girdhar David F.Fouhey Mikel Rodriguez和Abhinav Gupta。2016.学习对象的可预测和生成向量表示。“，”DOI“：”10.1007\/978-3-319-46466-4_29“}，{”key“：”e_1_2_12_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1145\/1409060.1409098”}，“key”：“e_1_i_2_13_1”，“DOI-assert-by”：“publisher”，”DOI:“10.1016\/j.cag.2009.03.010”}、{”key“：“e_i_2_14_1”、“DOI-sserted-by”“：”crossref“非结构化”：“Edward Grant Pushmeet Kohli和Marcel van Gerven，2016。体积重建的深度去纠缠表示。爱德华·格兰特·普希梅特·科利和马塞尔·范·格文。2016年，体积重建的深度分离表示。“，”DOI“：”10.1007\/978-3-319-49409-8_22“｝，｛”key“：”e_1_2_15_1“，”发布者断言的DOI“，”DOI“：”10.1109\/CVPR.2006.100“｝，｛”key“：”e_1_2_16_1“，”发布者断言的DOI“，”DOI“：”10.1111\/j.1467-8659.2012.03175.x“｝，｛”key“：”e_1_2_17_1“，”发布者断言的DOI“，”DOI“：”10.1145 \/2766914“｝，｛”key“：”e_1_2_18_1“，”DOI断言为“：”publisher“，”DOI“：”10.1145\/2070781.2024159“}，{“key”：“e_1_2_19_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1145\/2601097.2601111”}，“key“：”e_2_2_20_1“，“doiasserted-by“：”publisher I“：”10.1145\/2185520.2185551“}，{“key”：“e_1_2_22_1”，“DOI-asserted-by”：“publisher“，”DOI“：”10.1145\/1778765.1778839“}，{“key”：“e_1_2_23_1”，“DOI-asserted-by”：“publisher”，”DOI:“10.1145\/2601097.2601117”}，“key“：”e_1_i_2_24_1“，“doiasserted-by“：”publisher“：”“Diederik”，“年份”：“2014年”，“非结构化”：“Diedrik P。金玛和吉米·巴。2014 . 亚当：一种随机优化方法。CoRR（2014）。Diederik P.Kingma和Jimmy Ba.2014年。亚当：一种随机优化方法。CoRR（2014）。}，{“key”：“e_1_2_26_1”，“非结构化”：“Diederik P.Kingma Danilo J.Rezende Shakir Mohamed和Max Welling，2014年。深度生成模型的半监督学习。以NIPS为单位。Diederik P.Kingma Danilo J.Rezende Shakir Mohamed和Max Welling。2014年，采用深度生成模型的半监督学习。以NIPS为单位。“}，{”key“：”e_1_2_2_27_1“，”volume-title“：”使用本地对应的CAD模型从单个图像进行密集三维重建。CVPR“，“author”：“Kong Chen”，“year”：“2017”，“unstructured”：“Chen Kong，Chen-Hsuan Lin，and Simon Lucey。2017。使用本地对应的CAD模型从单个图像进行密集三维重建。CVPR（2017）。陈刚（Chen Kong）、陈秀莲（Chen-Hsuan Lin）和西蒙·露西（Simon Lucey）。2017.使用本地对应的CAD模型从单个图像进行密集三维重建。CVPR（2017）。“｝，｛”key“：”e_1_2_28_1“，”doi由“：”publisher“断言，”doi“：”10.1145\/30729593073637“｝，｛”key“：”e_1_2_29_1“，”nonstructured“：”Yangyan Li Angela Dai Leonidas Guibas and Matthias Nie\u00dfner 2015。用于实时三维重建的数据库辅助对象检索。(2015). Yangyan Li Angela Dai Leonidas Guibas和Matthias Nie_u00dfner。2015.实时3D重建的数据库辅助对象检索。(2015).“}，{”key“：”e_1_2_30_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/3DV.2014.108”}，“key”：“e_1_i_2_31_1”，“volume-title”：“条件性生成对抗网。CoRR abs\/1411.1784”，“author”：“Mirza Mehdi”，“year”：“2014”，“unstructured”：“Mehdi Mirza和Simon Osindero。2014”。条件生成对抗网。CoRR abs（2014）。梅迪·米尔扎（Mehdi Mirza）和西蒙·奥斯宾多（Simon Osindero）。2014.条件生成对抗网。CoRR abs（2014）。“｝，｛”key“：”e_1_2_32_1“，”doi由“：”publisher“断言，”doi“：”10.1145\/571647.57148“｝，｛”key“：”e_1_2_33_1“，”卷标题“：”Guibas“，”作者“：”Qi-Charles Ruizongtai“，”年份“：”2017“，”非结构化“：”查尔斯·瑞中泰琪（Charles Ruizhongtai Qi）、郝苏（Hao Su）、莫开春（Kaichun Mo）和列奥尼达斯（Leonidas J）。吉巴斯。2017 . PointNet：针对3D分类和分割的点集深度学习。CVPR（2017）。查尔斯·瑞中泰琪（Charles Ruizhongtai Qi）、郝苏（Hao Su）、莫开春（Kaichun Mo）和列奥尼达斯·吉巴斯（Leonidas J.Guibas）。2017.PointNet:用于3D分类和分割的点集深度学习。CVPR（2017）。}，{“key”：“e_1_2_34_1”，“非结构化”：“C.R.Qi H.Su M.Nie_u00c3§ner A.Dai M.Yan和L.J.Guibas.2016。三维数据对象分类的体积和多视图CNN。在CVPR中。C.R.Qi H.Su M.Nie_u00c3§ner A.Dai M.Yan和L.J.Guibas。2016年，三维数据对象分类的体积和多视图CNN。在CVPR中。“}，{”key“：”e_1_2_2_35_1“，”volume-title“：”Ali Osman Ulusoy和Andreas Geiger“，”author“：”Riegler Gernot“，”year“：”2017“，”unstructured“：”Gernot Riegler、Ali Okman Ulushoy和Andrees Geiger.2017.OctNet:Learning Deep 3D Representations at High Resolutions.CVPR。OctNet：学习高分辨率的深度3D表现。CVPR（2017）。“}，{”key“：”e_1_2_36_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2661229.2661288”}，“key”：“e_1_i_2_37_1”，“doi-assert-by”：“crossref”，”unstructured“：”Abhishek Sharma Oliver Grau和Mario Fritz。2016。VConv-DAE：无对象标签的深度体积形状学习。阿比谢克·夏尔马·奥利弗·格劳（Abhishek Sharma Oliver Grau）和马里奥·弗里茨（Mario Fritz）。2016年，VConv-DAE：无对象标签的深度体积形状学习。“，”DOI“：”10.1007\/978-3-319-49409-8_20“}，{”key“：”e_1_2_38_1“，”DOI-asserted-by“：”publisher“，lak Lee，2015年。使用深层条件生成模型学习结构化输出表示。以NIPS为单位。Kihyuk Sohn Xinchen Yan和Honglak Lee。2015年，使用深层条件生成模型学习结构化输出表征。在NIPS中。“}，{”key“：”e_1_2_41_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145 \/2816795.2818071”}，“key”：“e_1_i_2_42_1”，“doi-assert-by”：“publisher”，”doi“：”10.1109\/ICCV.2015.114“}：“e_1_2_44_1”，“volume-title”：“https:\/\/3dwarehouse.sketchup.com/”，”作者“：”仓库D”，“年份”：“2017年”，“非结构化”：“Trimble。2017.三维仓库。( 2017 ). https:\/\/3dwarehouse.sketchup.com/Trimble。2017.3D仓库。(2017). https:\/\/3dwarehouse.sketchup.com/“}，{“key”：“e_1_2_45_1”，“doi-asserted-by”：“crossref”、“unstructured”：“Shubham Tulsiani Tinghui Zhou Alexei A.Efros和Jitendra Malik.2017。基于可微光线一致性的单视重建多视监控。在CVPR中。Shubham Tulsiani Tinghui Zhou Alexei A.Efros和Jitendra Malik。2017.通过可微分光线一致性进行单视图重建的多视图监督。在CVPR中。“，”DOI“：”10.1109\/CVPR.2017.30“}，{”key“：”e_1_2_46_1“，”unstructured“：”Laurens van der Maaten.2009。通过保留局部结构学习参数嵌入。在AISTATS。劳伦斯·范德马滕。2009.通过保留局部结构学习参数嵌入。在AISTATS中。“}，{”key“：”e_1_2_47_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/2461912.2461924”}，“key”：“e_2_2_48_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/2366145.2366184“}”，{吴天凡、薛天凡、林俊杰、田远东、乔舒亚B。特南鲍姆、安东尼奥·托拉尔巴和威廉·T。弗里曼。2016年a.单图像3D口译员网络。吴家军、薛天凡、林元东、田元东、特南鲍姆、安东尼奥·托拉尔巴和威廉·弗里曼。2016年a。单一图像3D解释器网络。“}，{”key“：”e_1_2_50_1“，”unstructured“：”贾君·吴成凯（Jiajun Wu Chengkai）、张天凡（Zhang Tianfan Xue）、威廉·T·弗里曼（William T Freeman）和约书亚·B·特南鲍姆（Joshua B Tenenbaum）。2016年b。通过三维生成-矢量建模学习物体形状的概率潜在空间。以NIPS为单位。贾君·吴成凯张天凡·薛威廉·T·弗里曼和约书亚·B·特南鲍姆。2016年b。通过三维生成-矢量建模学习物体形状的概率潜在空间。以NIPS为单位。“}，{”key“：”e_1_2_51_1“，”volume-title“：”用于2.5D对象识别和下一个Best-View预测的3D ShapeNets“，”author“：”Wu Zhirong“，”year“：”2015“，”unstructured“：”Zhirong-Wu，Shuran Song，Aditya Khosla，Xiaoou Tang，and Jianxiao Xiao Xiao.2015a.用于2.5D目标识别和下个Best-View预测的3D ShapeNets。CVPR（2015）吴志荣、宋树然、阿迪蒂亚·科斯拉、唐晓鸥、肖建雄。2015年a。用于2.5D对象识别和下一视图预测的3D ShapeNets。CVPR（2015）。“}，{”key“：”e_1_2_2_52_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Zhirong Wu S.Song A.Khosla Fisher Yu Linguang Zhang Xiaoou Tang and J.Xiao.2015b.3D ShapeNets:立体形状的深度表示。在CVPR.Zhirong-Wu S..Song A.Koosla Filter Yu Linguang张晓鸥Tang and J。肖。2015年b。3D ShapeNets：体积形状的深度表示。在CVPR中。“，”DOI“：”10.1109\/CVPR.2015.7298801“}，{”key“：”e_1_2_53_1“，”DOI-asserted-by“：”publisher“，“10.1145\/3072959.3073652”}，{“密钥”：“e_1_2_56_1”，“DOI-asserted-by”：“发布者”，“DOI”：“10.1145\/2980179.2980238“}，{”key“：”e_1_2_2_57_1“，”volume-title“：”Mitra“，“author”：”郑有义“，”year“：”2014“，”unstructured“：”郑友义、丹尼尔·科恩·奥尔、梅利诺斯·阿维尔基奥和尼洛伊J.Mitra.2014.形状集合中的循环零件安排。形状集合中的重复零件排列。(2014).“}，{”key“：”e_1_2_258_1“，”volume-title“：”Mitra“，“author”：“Zheng Youyi”，“year”：“2013”，“unstructured”：“Youyi Zheng，Daniel Cohen-Or，and Niloy J.Mitra.2013.Smart Variations:Functional Substructures for Part Compatibility.Eurographics（2013）.Youyi Cheng，Dan丹尼尔Cohen Or，和尼洛伊J.Mistra.2013。智能变体：部件兼容性的功能子结构。Eurographics（2013）。“}]，”container-title“：[”ACM Transactions on Graphics“]，”original-title”：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/313080.3130821“，”content-type“：”application\/pdf“，”content-version“：”vor“，”intended-application“：”syndication“}，”{“URL”：“https:\//dl.ACM.org\/doi\/pdf”\/10.1145\/313080.3130821“，”内容类型“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2022,12,31]]，”date-time“：”2022-12-31T10:52:47Z“，”timestamp“：1672483967000}，”score“：1，”resource“：{primary“：”{“URL”：“https:\/\/dl.acm.org\/doi\/10.1145\/3130080.3130821”}}，“substitle”：[“”三维建模的弱监管组件建议“]，”简短标题“：[]，”发布“：{”日期-部件“：[[2017,11,20]]}，”引用-计数“：57，”日志-发布“：”6“，”发布-打印“：{”日期-零件“：[2017,12,31]]}}，“alternative-id”：[“10.1145\/313080.3130821”]，“URL”：“http://dx.doi.org\/10.1145\/3130.821”1“，”关系“：{}，”ISSN“：[”0730-0301“，”1557-7368“]，“issn-type”：[{“value”：“0730-0301”，“type”:“print”}，{“value”：“1557-7366”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2017,11,20]]}，“assertion”：[[{”value“：”2017-11-20“，”order“：2，”name“：”published“，”label“：”published“，”group“：{”name“:”publication_history“，”标签“：”出版历史“}}]}}