CstNet: Constraint-Aware Feature Learning for Parametric Point Cloud¶

会议: ICCV 2025
arXiv: 2411.07747
代码: https://cstnetwork.github.io/
领域: 三维视觉 / 点云分析
关键词: CAD 点云, 约束表示, 参数化形状, 点云分类, 旋转鲁棒性

一句话总结¶

提出首个面向参数化点云的约束感知特征学习方法 CstNet，将 CAD 约束编码为点级别的 MAD-Adj-PT 三元组表示，通过两阶段网络（约束获取 + 约束特征学习）在自建的 Param20K 数据集上实现分类精度 +3.49%、旋转鲁棒性 +26.17% 的 SOTA 提升。

研究背景与动机¶

参数化点云采样自 CAD 模型，广泛应用于工业制造场景。现有 CAD 专用深度学习方法存在三个核心问题：

仅关注几何特征，忽略约束：大多数方法（如 ParSeNet、HPNet）关注 primitive 的规则性（平面、圆柱等），但忽略 primitive 之间的约束关系（同轴、平行、距离等）。这导致它们无法区分外观相似但功能不同的 CAD 零件——例如偏心轮和飞轮看起来相似，但约束完全不同（偏心 vs 同轴）

依赖专用标签：许多方法需要 primitive 类型、参数、法向量等额外标注，但实际点云通常只有坐标信息

约束学习挑战：约束描述的是 primitive 对之间的关系，如何将其编码为深度学习可用的表示是未解难题

方法详解¶

整体框架¶

CstNet 包含两个阶段： - Stage 1（约束获取）：从 BRep 数据（CstBRep）或纯点云（CstPnt）中提取/预测 MAD-Adj-PT 约束表示 - Stage 2（约束特征学习）：利用注意力机制融合几何特征和约束特征，完成下游分类任务

关键设计¶

MAD-Adj-PT 约束表示（深度学习友好的约束编码）:
- 将传统 CAD 约束转换为三个点级别分量：
  - MAD（Main Axis Direction）：点所附着 primitive 的主轴方向（平面→法向量，圆柱/圆锥→旋转轴）
  - Adj（Adjacency）：点是否靠近边缘（用 one-hot 编码），指示 primitive 间的连接关系
  - PT（Primitive Type）：点所附着 primitive 的类型（plane/cylinder/cone，one-hot 编码）
- 每个点的完整表示为 \((x, y, z, MAD, Adj, PT)\)
- 设计动机：将 primitive 对间关系转化为 primitive 与公共参考之间的关系，大幅降低数据量；MAD+Adj 组合可推导出平行、垂直、距离等大多数常见约束
CstPnt 模块（从纯点云预测约束）:
- 模拟人工约束提取的四步流程：搜索邻域点→识别同一 primitive 的点→拟合形状→计算 MAD/Adj/PT
- 提出 SurfaceKNN：沿形状表面搜索邻域（非传统球形 KNN），更适合 CAD 形状的特性
- 使用 Q-K-V 注意力机制为邻域点分配不同权重：\(\mathbf{f}'_i = \sum_{f_j \in \mathcal{N}_i} \rho(\text{MLP}(\text{Q}(\mathbf{f}_i) - \text{K}(\mathbf{f}_j))) \odot \text{V}(\mathbf{f}_i)\)
- 仅使用局部特征，因此在 ABC 数据集预训练后可泛化到未见过的数据集
- 设计动机：解除对 BRep 数据的依赖；CAD 形状的 primitive 种类有限（平面+圆柱+圆锥覆盖 ~94%），局部模式可跨数据集迁移
Stage 2 约束特征学习网络:
- Triple MLP：将 xyz 分别与 MAD、Adj、PT 拼接，生成 Axis Feature、Adjacency Feature、Primitive Feature
- C-MLP：将 xyz 与完整 MAD-Adj-PT 拼接，生成初始 Constraint Feature
- Quartic SSA：四路并行处理四种特征，每路独立做 FPS + SurfaceKNN + 点级别注意力
- Fea Attention：特征级别注意力，自适应调整不同特征的权重——靠近边缘的点更关注 Adjacency Feature，其他点可能更关注 Primitive Feature
- 设计动机：不同约束分量对不同区域的点重要性不同，需要自适应加权

损失函数 / 训练策略¶

使用 Negative Log Likelihood Loss
Adam 优化器，初始 lr=0.0001，StepLR（step=20, gamma=0.7），weight decay=0.0001
训练 200 epoch，batch size=16
Stage 1 在 ABC 数据集 25 个 trunk（25 万 BRep 文件）上预训练，权重冻结后直接用于 Stage 2

实验关键数据¶

主实验¶

Param20K 分类结果:

方法	Acc(%)	Acc*(%)	F1	mAP(%)
PointNet	81.30	83.21	82.06	85.18
PointNet++	83.70	86.37	85.30	87.94
DGCNN	85.40	87.28	86.43	89.17
PTMamba	86.45	87.28	86.63	91.34
CstNet	89.94	91.06	90.34	92.72

旋转鲁棒性：CstNet 在训练集不变、测试集沿 +Z 旋转的设定下，精度下降最小（比 SOTA 高 26.17%）。

约束预测精度（ABC → Param20K 泛化）:

方法	MAD(MSE)↓	Adj(%)↑	PT(%)↑
ParSeNet	0.2247	81.42	59.75
HPNet	0.2570	78.60	57.66
CstNet	0.1390	87.95	86.52

消融实验¶

各约束分量贡献（SurfaceKNN）:

MAD	Adj	PT	Acc(%)	mAP(%)
✓	✓	✓	89.94	92.72
✗	✓	✓	86.32	90.59
✓	✗	✓	88.14	91.35
✓	✓	✗	88.68	91.22
✗	✗	✗	83.99	86.15

Stage 2 骨干对比（使用预测约束）:

骨干	Acc(%)	mAP(%)
PointNet	83.83	87.27
PointNet++	85.52	90.79
DGCNN	86.81	91.35
CstNet Stage 2	89.94	92.72

关键发现¶

三种约束分量中 MAD 贡献最大（去除后精度降 3.62%）
SurfaceKNN 在大多数情况下优于 KNN，主要增强了 Primitive Feature 的有效性
CstPnt 的旋转鲁棒性极强（虚线不受旋转影响），因为 ABC 训练集包含了多种朝向的局部特征
使用预测约束虽然不如真实约束标签，但仍显著优于无约束基线（89.94% vs 83.99%）
棱柱与长方体的验证实验直观说明：当角度接近 90° 时几何方法无法区分，但约束感知方法在 50°-87° 范围内始终保持高精度

亮点与洞察¶

首创约束感知的 CAD 点云分析，填补了该领域空白
MAD-Adj-PT 表示设计精巧：将复杂的 primitive 对间关系简化为点级属性，最先大幅降低了计算复杂度
注重实用性：CstPnt 仅需纯点云输入且可跨数据集泛化，不依赖 BRep 数据
自建 Param20K 数据集填补了参数化 CAD 分类评测的空白
旋转鲁棒性提升 26.17% 是非常亮眼的结果

局限与展望¶

仅考虑 plane/cylinder/cone 三种 primitive，自由曲面的约束表示需要进一步研究
Param20K 数据集规模有限（75 类 ~20K 实例），工业场景复杂度可能更高
SurfaceKNN 的计算开销分析缺失
未探索分割、装配等其他 CAD 下游任务
CstPnt 在极小 patch 或噪声点云上的鲁棒性未验证

评分¶

新颖性: ⭐⭐⭐⭐⭐ — 首次将约束引入点云深度学习，表示设计原创
实验充分度: ⭐⭐⭐⭐ — 多任务评测+消融全面；数据集和方法数量可扩大
写作质量: ⭐⭐⭐⭐ — 动机清晰，验证实验逐步推进
价值: ⭐⭐⭐⭐ — 工业应用前景好，开创了新方向