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

Dit paper introduceert Scalable DDPM-Polycube, een uitgebreide diffusiemodel-methode die door het toevoegen van een nieuw primitief, een 3D-roosterconfiguratie en een genus-geleide contextstrategie, de automatisering en schaalbaarheid van polycube-generatie voor hexahedrale mesh- en volumetrische spline-construktie bij complexe CAD-geometrieën verbetert.

De kern

Stel je voor dat je een zeer complexe, gekrulde 3D-figuur hebt, zoals een gedetailleerd beeld van een Egyptische buste of een ingewikkeld machineonderdeel. Je wilt dit object analyseren of simuleren (bijvoorbeeld om te zien of het breekt onder druk), maar computers kunnen met zulke complexe vormen niet direct werken. Ze hebben een "skelet" nodig: een raster van kleine, perfecte blokjes (hexahedra) om de vorm in te vullen.

Het maken van dit skelet voor complexe vormen is als het proberen om een onregelmatige aardappel in perfect kubusvormige blokjes te snijden zonder dat er stukken afbreken of de vorm vervormt. Dit is een enorme uitdaging voor ingenieurs.

Deze paper introduceert SDDPM-Polycube, een slimme nieuwe manier om dit "skelet" automatisch te maken met behulp van kunstmatige intelligentie. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De oude manier vs. de nieuwe manier

Vroeger probeerden computers dit door te "gissen" of door handmatig duizenden voorbeelden te leren. Het was alsof je een puzzel probeerde op te lossen door elke mogelijke combinatie van stukjes één voor één te proberen. Dat duurde te lang en faalde vaak bij complexe vormen.

De auteurs gebruiken nu een Diffusiemodel. Denk hierbij aan het proces van het verwijderen van ruis uit een oud, korrelig foto.

• Het begin: Je start met de ruwe, complexe vorm (de "ruis").
• Het proces: De AI leert stap voor stap de "ruis" (de onnodige krommingen en details) uit de vorm te filteren, totdat er een strakke, kubusachtige structuur overblijft.
• Het resultaat: Een perfect raster van blokjes dat de vorm volgt, maar netjes en ordenlijk is.

2. De drie grote verbeteringen (De "Superkrachten")

Deze nieuwe methode heeft drie specifieke trucjes die het veel beter maken dan de vorige versie:

A. De "Blind-Hole" (Blind Gaten) Magie

• Het probleem: Stel je een blokje voor met een gat erin dat helemaal doorheen gaat (een tunnel). Dat is makkelijk. Maar wat als het gat stopt halverwege? Een "blinde" gat. De oude AI dacht: "Oh, dit is nog steeds een gewoon blokje, want het gat gaat niet door." Hierdoor werd de vorm vaak verkeerd gemodelleerd.
• De oplossing: De AI heeft nu een nieuw bouwsteen-achtje gekregen: de Blind-Hole Cube. Het is alsof je in je bouwdoos een extra soort blokje hebt dat specifiek gemaakt is voor gaten die niet doorlopen. Hierdoor kan de AI nu ook die lastige, halve gaten perfect nabootsen.

B. Van 1D naar 3D (Van een rijtje naar een doosje)

• Het probleem: De oude AI werkte met een heel simpele, platte indeling (alsof je blokjes alleen in één lange rij kon zetten). Voor complexe vormen was dat te beperkt; je moest de vorm geweld aandoen om hem in die rij te proppen.
• De oplossing: De nieuwe AI werkt met een 3D-rooster (een doosje met 12 vakjes). Je kunt blokjes nu in alle richtingen plaatsen: links, rechts, boven, onder, voor en achter. Dit geeft veel meer ruimte om complexe vormen natuurlijk te laten vallen, zonder dat ze vervormd worden.

C. De Slimme Gids (Genus-Guided Context)

• Het probleem: Als je de AI vraagt "maak een skelet", moet ze duizenden mogelijke combinaties van blokjes proberen voordat ze de juiste vindt. Bij complexe vormen wordt dit een nachtmerrie van tijdverlies.
• De oplossing: De AI gebruikt nu een topologische kompas. Ze kijkt eerst naar het "aantal gaten" in het object (in wiskundetaal: het genus).
  • Analogie: Stel je voor dat je een huis wilt bouwen. De AI kijkt eerst: "Heeft dit huis één verdieping of twee?" (het aantal gaten). Op basis daarvan weet ze al welke bouwplaten ze niet hoeft te proberen. Ze bouwt het huis eerst in kleine stukjes (lokaal), controleert of die passen, en plakt die dan pas aan elkaar tot een groot huis. Dit bespaart enorm veel tijd en energie.

3. Hoe ziet het eindresultaat eruit?

Zodra de AI het perfecte "skelet" (het polycube-rooster) heeft gemaakt, kan de computer:

1. Een net van perfect gevormde blokjes over de vorm leggen (het all-hex mesh).
2. Deze blokjes omzetten in een soepele, wiskundige vorm (volumetric spline) die gebruikt kan worden voor precisie-analyses in de industrie (bijvoorbeeld voor auto's of vliegtuigen).

Samenvatting in één zin

SDDPM-Polycube is een slimme AI die, net als een meester-sculpteur die een ruwe steen in een perfect blokje hakt, complexe 3D-vormen automatisch omzet in een strak, bruikbaar raster voor ingenieurs, door slimme "bouwstenen" en een kompas te gebruiken dat weet hoeveel gaten het object heeft.

Dit maakt het proces sneller, betrouwbaarder en geschikt voor veel complexere vormen dan ooit tevoren.

Technische samenvatting

Titel

Scalable DDPM-Polycube: Een uitgebreide diffusiemethode voor de constructie van hexahedrale mesh en volumetrische splines.

1. Het Probleem

Isogeometrische Analyse (IGA) vereist dat CAD-modellen worden omgezet in analysegeschikte volumetrische splines, wat doorgaans begint met het genereren van een hoogwaardige "all-hex" (alleen hexaëders) controle-mesh. Een veelgebruikte aanpak hiervoor is het gebruik van polycube-structuren als parametrische domeinen. Echter, bestaande methoden, inclusief eerdere leer-gebaseerde benaderingen, kampen met drie belangrijke beperkingen bij het verwerken van complexe CAD-geometrieën:

1. Beperkte primitieve geometrieën: Bestaande methoden gebruiken vaak slechts twee primitieven (een kubus en een kubus met een doorgaand gat). Dit is ontoereikend voor lokale "blinde-gat"-features (blind holes), die het globale geslacht (genus) van het object niet veranderen maar wel een holle structuur hebben. Het combineren van bestaande primitieven om deze te modelleren leidt tot ambiguïteit tijdens de inferentie.
2. Beperkte roosterconfiguratie: Eerdere methoden gebruikten vaak een eenvoudige 1D-configuratie ($G_{2\times1}$). Dit dwingt complexe geometrieën in te weinig cellen, wat leidt tot grote vervormingen (mapping distortion) en slechte meshkwaliteit.
3. Schaalbaarheid van inferentie: Bij het vergroten van het primitieven-set en het rooster, explodeert het aantal mogelijke contexten (combinaties van primitieven) dat moet worden getest. Bestaande methoden die alle kandidaten doorlopen, worden computationally onhaalbaar (te duur) voor complexe modellen.

2. Methodologie

De auteurs stellen Scalable DDPM-Polycube (SDDPM) voor, een uitbreiding van hun eerdere Denoising Diffusion Probabilistic Models (DDPM) aanpak. De pijplijn werkt als volgt:

• Data Representatie en Preprocessing:

  • Invoer: Een driehoekig mesh dat wordt genormaliseerd en uitgelijnd via PCA.
  • Uitgebreide Primitieven: Er wordt een nieuw primitief-introductie gedaan: de Blind-Hole Cube (BHC). Het totale set bestaat nu uit 10 categorieën (1 kubus, 3 varianten van Through-Hole Cubes (THC) met verschillende assen, en 6 varianten van BHC met verschillende richtingen).
  • 3D Rooster: Het systeem gebruikt een $G_{3\times2\times2}$ rooster met 12 cellen, in plaats van het eerdere 1D-rooster. Dit verhoogt de representatieve capaciteit.
  • Input Tensor: Het geometrische puntewolk wordt omgezet in een tensor van $64 \times 96 \times 3$ (3 kanalen voor X, Y, Z coördinaten), behandeld als een "beeld" door het neurale netwerk.

• Diffusiemodel Architectuur:

  • Het model is een context-geconditioneerd U-Net.
  • Forward Proces: Voegt ruis toe aan een polycube-structuur, maar gebruikt een niet-nul gemiddelde Gaussische verdeling zodat het eindpunt nog steeds een geometrie lijkt en niet volledig vervalt naar standaard ruis.
  • Reverse Proces: Verwijdert iteratief ruis en vervormingen om de doel-polycube te reconstrueren, geleid door een contextvector.
  • Context Vector: Een 132-dimensionale one-hot vector (12 cellen $\times$ 11 staten) die aangeeft welke primitief in welke cel zit.

• Genus-Gedreven Context Generatie en Hiërarchische Verificatie:
  Om de schaalbaarheid te verbeteren en de zoekruimte te beperken, introduceert de auteurs een nieuwe inferentiestrategie:

  1. Automatische Modus: Het volume wordt tijdelijk gepartitioneerd in subregio's. Voor elke subregio wordt het geslacht (genus) berekend om de mogelijke primitieven te beperken. Vervolgens wordt lokaal een context afgeleid via reverse diffusion.
  2. Hiërarchische Verificatie: Voordat een globale context wordt geaccepteerd, wordt deze getest in twee fasen:
     • GOCC (Grid Occupancy Consistency Check): Controleert of het aantal punten en de ruimtelijke uitbreiding van een cel overeenkomen met de verwachte bezetting (geen lege cel met punten, geen bezette cel zonder punten).
     • TCV (Template Competition Verification): Gebruikt een Penalty Chamfer Distance (PCD) om te verifiëren of de gegenereerde geometrie in een cel echt overeenkomt met de bedoelde primitief (inclusief oriëntatie) en of deze de dichtstbijzijnde concurrent is.
  3. User-Guided Modus: Gebruikers kunnen ook beperkingen opgeven (bijv. aantal gaten), die worden omgezet in de contextvector en dezelfde verificatie ondergaan.

3. Belangrijkste Bijdragen

1. Introductie van de Blind-Hole Cube (BHC): Uitbreiding van het primitieven-set van 2 naar 3 basisvormen. Dit lost het probleem op van lokale holle features die het globale geslacht niet veranderen, waardoor de representatie van complexe CAD-modellen nauwkeuriger wordt.
2. Overgang naar 3D Rooster ($G_{3\times2\times2}$): Verplaatsing van een beperkte 1D-configuratie naar een 3D-configuratie met 12 cellen. Dit vermindert mapping-vervorming en stelt het systeem in staat complexere topologieën te modelleren.
3. Schaalbare Context Generatie Strategie: Een nieuwe algoritme dat lokale inferentie combineert met genus-beperkingen en een hiërarchische verificatiemodule (GOCC + TCV). Dit maakt automatische inferentie mogelijk zonder de volledige combinatorische zoekruimte exhaustief te hoeven doorlopen, wat de rekentijd drastisch verlaagt.

4. Resultaten

De auteurs evalueren SDDPM op diverse modellen met verschillende geslachten (genus 0 tot 3+):

• Training: Het model convergeert stabiel op het uitgebreide dataset met 500 epochs.
• Inferentie: De methode slaagt erin geldige polycube-structuren te genereren voor modellen die buiten de trainingsverdeling vallen (unseen configurations).
• Ablatiestudie: Het gebruik van de BHC-primitief reduceerde de gemiddelde Chamfer-afstand aanzienlijk (van 0.2785 naar 0.0292) voor modellen met blinde gaten, vergeleken met het forceren van een standaard kubus.
• Schaalbaarheid: Hoewel de inferentietijd toeneemt met de complexiteit (van ~48s voor simpele modellen tot ~906s voor complexe modellen), blijft de methode effectief door de zoekruimte te reduceren via lokale verificatie. De "verified-candidate rate" daalt wel met complexiteit, maar het systeem vindt nog steeds geldige oplossingen zonder volledige exhaustieve zoektocht.
• Mesh Kwaliteit: De gegenereerde polycubes worden succesvol omgezet in all-hex controle-meshes met hoge kwaliteit (gemeten via geschaalde Jacobiaan) en vervolgens in volumetrische TH-splines voor IGA-simulaties (bijv. temperatuuranalyse in ANSYS-DYNA).

5. Betekenis en Toekomst

Deze paper is significant omdat het een belangrijke stap zet richting volledig geautomatiseerde CAD-naar-IGA pipelines voor complexe industriële modellen.

• Het lost het fundamentele probleem op van het modelleren van lokale features die niet zichtbaar zijn in het globale topologische geslacht.
• Het bewijst dat diffusiemodellen schaalbaar kunnen worden gemaakt voor 3D mesh-generatie door slimme context-beperkingen en verificatiestappen in plaats van brute-force zoektochten.
• Het biedt een robuuste basis voor het genereren van analysegeschikte meshes, wat essentieel is voor de adoptie van IGA in de industrie.

Beperkingen en Toekomstig Werk:
De huidige methode gebruikt nog steeds een vast rooster en een beperkt primitieven-set. Toekomstig werk richt zich op adaptieve/hierarchische roosters, het verbeteren van de robuustheid van de automatische volumepartitie, en het integreren van verificatiestappen direct in het diffusieproces om de inferentie-efficiëntie verder te verhogen.