Scalable DDPM-Polycube: An Extended Diffusion-Based Method for Hexahedral Mesh and Volumetric Spline Construction

Ce papier présente Scalable DDPM-Polycube, une méthode de diffusion améliorée qui étend la génération de structures polycubes pour l'analyse isogéométrique en enrichissant l'ensemble des primitives géométriques, en élargissant la configuration de la grille et en introduisant une stratégie de génération de contexte guidée par le genre, permettant ainsi la création automatisée et robuste de maillages hexaédriques et de splines volumiques pour des géométries complexes.

L'essentiel

🏗️ Le Grand Défi : Transformer une Sculpture en Briques Parfaites

Imaginez que vous êtes un architecte. Vous avez une magnifique sculpture complexe (une voiture, un moteur, un objet d'art) faite de surface lisse. Votre but est de la transformer en une structure interne faite uniquement de briques cubiques parfaites (des hexaèdres) pour pouvoir la tester virtuellement (simuler des crashs, de la chaleur, etc.).

C'est ce qu'on appelle passer du CAD (Conception Assistée par Ordinateur) à l'IGA (Analyse Isogéométrique). Le problème ? Les formes complexes sont comme des puzzles impossibles : si vous essayez de les remplir de cubes, vous obtenez souvent des briques déformées, tordues ou qui ne s'emboîtent pas.

🤖 La Solution : SDDPM-Polycube (Le "Cuisinier" de l'IA)

Les auteurs de ce papier ont créé une nouvelle intelligence artificielle appelée SDDPM-Polycube. Pour faire simple, c'est comme un chef cuisinier très doué qui sait transformer n'importe quel ingrédient bizarre en un plat parfait, étape par étape.

Voici comment cela fonctionne, avec trois grandes innovations :

1. La Boîte à Outils Élargie (Les "Lego" Magiques)

Avant, l'IA ne connaissait que deux types de "briques" de base :

• Un cube simple.
• Un cube avec un trou qui traverse tout (comme une baguette).

Mais dans la vraie vie, on a souvent des trous qui s'arrêtent au milieu (des trous borgnes, comme un trou de clé dans une porte). L'ancienne IA ne savait pas les gérer et faisait des erreurs.
La nouvelle astuce : Ils ont ajouté une troisième brique à la boîte : le Cube à trou borgne.

Analogie : C'est comme si un enfant jouant aux Lego avait seulement des briques plates et des briques avec un trou qui traverse. S'il voulait construire une maison avec une cheminée qui ne perce pas le toit, il était coincé. Maintenant, il a la pièce spéciale pour la cheminée !

2. La Grande Boîte de Jeu (Le Grille 3D)

Avant, l'IA devait essayer de faire tenir toute la forme dans une toute petite boîte de 2 cases (comme un étroit couloir). Pour des formes complexes, cela écrasait tout et créait des déformations.
La nouvelle astuce : Ils ont agrandi la boîte de jeu. Au lieu d'un couloir étroit, ils utilisent une grande grille 3D (3x2x2, soit 12 cases).

Analogie : Imaginez essayer de ranger un éléphant dans un placard à chaussures (l'ancienne méthode). Ça ne rentre pas bien ! Avec la nouvelle méthode, on donne à l'éléphant une grande maison avec plusieurs pièces. Il peut s'étirer, et les murs (les cubes) restent droits et carrés.

3. Le Guide Intérieur et le Contrôle Qualité (Le "Detective")

C'est la partie la plus intelligente. Pour remplir cette grande grille de 12 cases, il y a des milliards de combinaisons possibles. L'IA ne peut pas tout essayer au hasard, sinon elle mettrait des jours.

• Le Guide (La Genèse) : L'IA regarde d'abord la forme globale. Si la forme a 3 trous qui traversent, elle sait qu'elle doit utiliser au moins 3 briques "traversantes". C'est comme un guide touristique qui dit : "Pour aller à la plage, il faut prendre la route du sud".
• Le Détective (Vérification Hiérarchique) : Avant de valider le résultat, l'IA joue au détective en deux étapes :
  1. Le Check Rapide (GOCC) : "Est-ce qu'il y a assez de briques dans cette case ? Est-ce que la case est vide ou pleine ?" Si non, on rejette tout de suite.
  2. Le Check Fin (TCV) : "Est-ce que la forme de la brique correspond exactement à ce qu'on voulait ?" C'est comme comparer une empreinte digitale. Si ça ne colle pas parfaitement, on rejette.

Analogie : C'est comme un jeu de devinettes où vous avez un guide qui vous donne des indices (le nombre de trous), et un inspecteur qui vérifie chaque pièce du puzzle avant de dire "C'est bon !".

🚀 Le Résultat Final

Une fois que l'IA a trouvé la bonne combinaison de cubes (le "Polycube") :

1. Elle crée une grille de cubes parfaits à l'intérieur de votre objet.
2. Elle transforme cette grille en un maillage numérique de haute qualité.
3. Elle permet aux ingénieurs de faire des simulations précises (comme voir si une voiture résiste à un choc) sans que l'ordinateur ne plante à cause de formes tordues.

En Résumé

Ce papier raconte l'histoire d'une IA qui apprend à dessiner l'intérieur d'objets complexes.

• Avant : Elle avait peu de pièces de Lego et une petite boîte, ce qui la rendait lente et imprécise sur les formes compliquées.
• Maintenant (SDDPM) : Elle a plus de pièces (y compris pour les trous borgnes), une grande boîte 3D, et un système de vérification intelligent qui lui permet de trouver la solution parfaite rapidement, même pour des objets très complexes.

C'est une avancée majeure pour rendre la simulation informatique plus rapide, plus fiable et plus automatique pour les ingénieurs du monde entier.

Résumé technique

1. Problématique

La génération de maillages hexaédriques (all-hex) de haute qualité et la construction de splines volumiques adaptées à l'analyse (IGA - Isogeometric Analysis) à partir de modèles CAD complexes (représentés sous forme de B-Rep) constituent un défi majeur.
Les approches traditionnelles, basées sur la segmentation de surface ou des méthodes heuristiques, peinent souvent à garantir la cohérence topologique, en particulier pour les géométries complexes avec des caractéristiques locales variées (trous, cavités).

Les méthodes d'apprentissage automatique récentes, comme DL-Polycube (basée sur des templates) et DDPM-Polycube (basée sur la déformation via des modèles de diffusion), ont amélioré l'automatisation. Cependant, la version précédente DDPM-Polycube présentait trois limitations critiques :

1. Jeu de primitives restreint : Elle ne utilisait que deux primitives (cube et cube à trou traversant). Elle échouait à représenter correctement les "trous borgnes" (blind-holes) qui ne modifient pas le genre global de l'objet mais créent des caractéristiques locales complexes.
2. Configuration de grille limitée : Elle utilisait une configuration 1D ($G_{2\times1}$), insuffisante pour capturer la complexité de géométries 3D réelles sans distorsion excessive.
3. Coût d'inférence non évolutif : La génération de contexte guidée par le genre (genus-guided) devenait prohibitivement coûteuse en temps de calcul lorsque le nombre de primitives et la taille de la grille augmentaient, nécessitant une exploration exhaustive de candidats.

2. Méthodologie : Scalable DDPM-Polycube (SDDPM)

L'article propose SDDPM, une extension du modèle de diffusion probabiliste (DDPM) conçue pour surmonter ces limitations. Le pipeline transforme un maillage triangulaire d'entrée en une structure de polycube topologiquement cohérente, servant de domaine paramétrique pour la génération de maillages hexaédriques et de splines.

A. Extension du jeu de primitives et de la grille

• Nouvelle primitive (BHC) : Introduction d'un cube à trou borgne (Blind-Hole Cube, BHC) en plus du cube standard et du cube à trou traversant (Through-Hole Cube, THC). Cela permet de distinguer les caractéristiques locales (trous borgnes, genre 0) des caractéristiques globales (trous traversants, genre 1). Le jeu de primitives inclut désormais 10 catégories orientées (3 pour le THC, 6 pour le BHC, 1 pour le cube).
• Grille 3D : Passage d'une configuration 1D ($G_{2\times1}$) à une configuration 3D ($G_{3\times2\times2}$) comportant 12 cellules. Cela augmente considérablement la capacité de représentation et réduit la distorsion lors de la paramétrisation de géométries complexes.

B. Encodage du contexte et Architecture du Modèle

• Encodage de contexte : Une structure de polycube est représentée par un vecteur one-hot de 132 dimensions (12 cellules $\times$ 11 états possibles par cellule).
• Modèle de Diffusion : Le modèle utilise un U-Net pour apprendre le processus inverse de débruitage. L'entrée est un nuage de points (représentant la géométrie) transformé en tenseur image-like ($64 \times 96 \times 3$). Le modèle apprend à retirer les petites déformations stochastiques accumulées sur la géométrie d'entrée pour retrouver la structure de polycube cible, conditionnée par le vecteur de contexte.

C. Stratégie d'Inférence Évolutif et Vérification Hiérarchique

Pour résoudre le problème de l'explosion combinatoire des candidats lors de l'inférence automatique, les auteurs proposent une stratégie en deux modes :

1. Mode guidé par l'utilisateur : L'utilisateur fournit des contraintes partielles ou un contexte complet.
2. Mode automatique (Genus-guided) : Au lieu de parcourir l'espace global des contextes, le système :
   • Partitionne temporairement le volume de l'objet en sous-régions.
   • Calcule le genre topologique de chaque sous-région pour restreindre les primitives candidates locales.
   • Effectue une inférence locale (débruitage) pour chaque sous-région.
   • Assemble les contextes locaux validés en un contexte global.

Module de Vérification Hiérarchique :
Pour garantir la validité des résultats sans itérations inutiles, deux étapes de filtrage sont appliquées :

• GOCC (Grid Occupancy Consistency Check) : Vérifie la cohérence grossière entre la distribution des points générés et le contexte (nombre de points, étendue spatiale).
• TCV (Template Competition Verification) : Vérifie la cohérence fine en comparant la géométrie générée dans chaque cellule active avec les modèles de référence (templates) via une distance de Chamfer pénalisée (PCD). Le candidat n'est accepté que si le template cible est le plus proche et que la distance est sous un seuil.

3. Contributions Clés

1. Expansion du jeu de primitives : L'introduction du BHC permet de modéliser des caractéristiques locales (trous borgnes) qui étaient auparavant ambiguës ou mal représentées, améliorant la précision géométrique pour les objets de genre 0 complexes.
2. Passage à une grille 3D ($G_{3\times2\times2}$) : Cette extension augmente la capacité expressive du modèle, permettant de traiter des géométries plus complexes avec moins de distorsion de mapping que la configuration 1D précédente.
3. Stratégie de génération de contexte guidée par le genre : Une méthode d'inférence automatique qui construit le contexte global à partir d'inférences locales validées, évitant ainsi le coût prohibitif du parcours exhaustif de l'espace des contextes.
4. Module de vérification hiérarchique (GOCC + TCV) : Un mécanisme robuste qui rejette précocement les candidats invalides, assurant la cohérence topologique et géométrique tout en réduisant le temps de calcul global.

4. Résultats et Évaluations

Les expériences ont été menées sur un ensemble de modèles variés (genres 0, 1, 2 et plus) et comparées aux méthodes précédentes.

• Performance d'entraînement : Le modèle converge stablement sur 500 époques avec un jeu de données synthétique généré à partir des nouvelles primitives et de la grille 3D.
• Qualité de génération :
  • SDDPM génère des structures de polycubes cohérentes pour des géométries allant jusqu'au genre 3 et au-delà.
  • L'étude d'ablation sur le BHC montre une réduction drastique de l'erreur de distance de Chamfer (de 0.2785 à 0.0292) pour les objets avec des trous borgnes par rapport à l'utilisation exclusive de cubes.
• Efficacité de l'inférence :
  • La stratégie de vérification hiérarchique réduit considérablement l'espace de recherche. Par exemple, pour un modèle complexe, le nombre de candidats valides passe de milliers à quelques unités après vérification locale et globale.
  • Le temps d'inférence reste gérable (de ~48s pour les cas simples à ~906s pour les cas complexes) même avec l'augmentation de la complexité structurelle.
• Génération de maillage et IGA :
  • Les polycubes générés servent de domaines paramétriques pour créer des maillages hexaédriques de haute qualité (optimisés par lissage et pillowing).
  • Les maillages obtenus présentent des valeurs de Jacobien échelonné (Scaled Jacobian) élevées, indiquant une absence d'éléments inversés ou fortement déformés.
  • La construction de splines volumiques (TH-splines) et l'extraction d'information Bézier pour l'analyse dans ANSYS-DYNA ont été réussies, validant le pipeline complet CAD-to-IGA.

5. Signification et Impact

Ce travail représente une avancée significative vers l'automatisation complète des pipelines CAD-to-IGA pour des géométries industrielles complexes.

• Robustesse Topologique : En intégrant la connaissance du genre et des primitives locales, la méthode surmonte les limitations des approches purement heuristiques ou basées sur des templates rigides.
• Évolutivité : La combinaison de l'inférence locale guidée et de la vérification hiérarchique rend l'approche de diffusion applicable à des problèmes plus complexes que ce qui était possible avec les méthodes de diffusion antérieures.
• Praticité Industrielle : La capacité à produire directement des maillages hexaédriques de haute qualité et des splines prêtes pour l'analyse réduit la dépendance aux interventions manuelles, un goulot d'étranglement majeur dans l'ingénierie numérique actuelle.

Bien que des défis subsistent (notamment la dépendance à une grille fixe et la nécessité d'une tétraédrisation temporaire pour l'automatisation), SDDPM pose les bases pour des méthodes de maillage génératif plus flexibles et adaptatives dans le futur.