Technische Samenvatting: PrintAnything

Probleemstelling

Puntenwolken (point clouds) zijn een fundamentele en veelgebruikte 3D-representatie, die dienen als de natuurlijke output van moderne sensoren (LiDAR, RGB-D camera's) en generatieve modellen. Bestaande 3D-printworkflows zijn echter fundamenteel incompatibel met puntenwolken. Standaard fabricageprocessen vereisen een waterdicht mesh (watertight mesh) als input voor slicing-software om G-code te genereren. Bij consequent moeten puntenwolken dus eerst een mesh-reconstructie ondergaan voordat ze geprint kunnen worden.

Deze afhankelijkheid van mesh-reconstructie introduceert twee kritieke beperkingen:

1. Incompatibiliteit: Standaard slicing-tools kunnen geen ruwe puntenwolken direct accepteren.
2. Foutpropagatie: Het reconstrueren van meshes uit ijle, ruisgevoelige of niet-georiënteerde puntenwolken is een slecht gedefinieerd probleem (ill-posed problem). Dit resulteert frequent in geometrische artefacten (onjuiste vlakken, gaten, topologische inconsistenties) die moeilijk te herstellen zijn. Deze defecten propageren naar de slicing-fase, wat leidt tot ongeldige toolpaths, instabiele extrusie en uiteindelijk tot mislukte prints.

Methodologie

De auteurs stellen PrintAnything voor, een nieuw framework dat leert om direct uitvoerbare 3D-print G-code te genereren vanuit niet-georiënteerde 3D-puntenwolken, waardoor de stap van mesh-reconstructie volledig wordt overgeslagen. De pijplijn bestaat uit drie primaire fasen:

1. Slice-wise Point Projection

Om ongestructureerde 3D-puntenwolken af te stemmen op de laag-voor-laag aard van Fused Deposition Modeling (FDM), introduceren de auteurs een slice-wise point projection strategie.

• Multi-Slice Conditioning (MSC): Voor een gegeven slice-hoogte worden punten geprojecteerd op het XY-grid van de printer. Om lokale geometrische context te bieden, selecteert het systeem punten binnen de doel-slice hoogte ($\Delta z/2$) evenals aangrenzende bins boven en onder.
• Input Representatie: Deze geprojecteerde punten worden gerasterd in een 2D-grid ($H \times W$), waarbij kanalen worden gegenereerd voor occupancy masks, dichtheidskaarten en hoogte-offset kaarten.
• Conditioning: De genormaliseerde slice-hoogte wordt geëmbbed via een MLP en geconcateneerd met globale kenmerken geëxtraheerd uit de volledige puntenwolk (met behulp van een Point Transformer V3 encoder) om een slice conditioning vector te vormen.

2. Geometric Plan (G-plan) Map Predictie

In plaats van een mesh te voorspellen, voorspelt het model een compacte, verenigde 2D-representatie genaamd de G-plan map voor elke slice. Deze kaart overbrugt de kloof tussen puntenwolken en G-code door drie onderscheidende kanalen te coderen:

• Occupancy Map ($M$): Specificeert ruimtelijke locaties die overeenkomen met geprint materiaal.
• Region Map ($R$): Codeert structurele categorieën die nodig zijn voor toolpath synthese (bijv. wand, infill, support, skirt).
• Flow Map ($Q$): Representeert extrusie-gerelateerde eigenschappen (genormaliseerde extrusielengte) voor materiaaldepositie.

De voorspelling wordt uitgevoerd door GPNet, een U-Net architectuur waarbij de conditioning vector in de bottleneck wordt geïnjecteerd via FiLM (Feature-wise Linear Modulation).

3. Infill Pattern Generatie en G-code Synthese

• Infill Aanbeveling: In plaats van de infill-geometrie vanaf nul te leren, gebruikt het systeem een lichtgewicht aanbeveler die getraind is op een bootstrap-dataset. Deze aanbeveler selecteert een infill-patroon (bijv. grid, gyroid, honeycomb) en een schaalfactor door een trade-off te optimaliseren tussen een sterkte-proxy (infill ratio, connectiviteit, directionele balans) en een kosten-proxy (materiaalgebruik, padcomplexiteit).
• G-code Compilatie: De voorspelde G-plan maps worden omgezet in geordende toolpaths. De occupancy map definieert het printgebied, de region map bepaalt de structurele rol (wand versus inffill), en de flow map regelt het extrusievolume. Deze worden vertaald naar fysieke coördinaten en extrusielengtes om standaard G-code instructies te produceren.

Belangrijkste Bijdragen

1. Mesh-vrije Pijplijn: Introductie van PrintAnything, het eerste framework dat uitvoerbare 3D-print G-code genereert direct vanuit puntenwolken zonder tussenliggende mesh-reconstructie.
2. Slice-wise Point Projection: Een strategie om ongestructureerde 3D-punten om te zetten in slice-uitgelijnde 2D-representaties die lokale geometrische context behouden voor laag-gebaseerde redenering.
3. G-plan Map: Een verenigde representatie (Occupancy, Region, Flow) die zowel geometrische als extrusie-eigenschappen codeert, waardoor de brug wordt geslagen tussen puntenwolken en G-code.
4. Robuustheid: De methode demonstreert het vermogen om niet-georiënteerde, incomplete en ruisgevoelige puntenwolken te verwerken, waarbij stabiele toolpaths worden geproduceerd waar mesh-gebaseerde methoden falen.

Experimentele Resultaten

De methode werd geëvalueerd op de Slice-100K dataset, waarbij het werd vergeleken met state-of-the-art mesh-reconstructie baselines (Poisson, DWG, MeshAnything) gevolgd door standaard slicing.

• Kwantitatieve Prestaties: PrintAnything behaalde superieure prestaties over alle metrieken:
  • Chamfer Distance (CD): 0.047 (vs. 0.088 voor Poisson).
  • 3D F1 Score: 0.7414 (vs. 0.682 voor Poisson).
  • 2D Slice F1 Score: 0.677 (vs. 0.587 voor Poisson).
  • De resultaten geven aan dat mesh-gebaseerde pijlijnen fouten accumuleren tijdens reconstructie, die worden versterkt tijdens slicing, terwijl de directe G-plan aanpak een hogere getrouwheid (fidelity) behoudt.
• Ablatie Studies:
  • Multi-Slice Conditioning: Het inschakelen van MSC verminderde CD met 20,3% en verbeterde de 3D F1 met 5,6%, wat de waarde van inter-slice continuïteit bevestigt.
  • G-plan Componenten: De inclusie van de Region map ($R$) verbeterde de geometrische getrouwheid, terwijl de Flow map ($Q$) de fouten in extrusie-smoothness ($\Delta\rho$-smooth) aanzienlijk verminderde (vermindering van 56,8%) en de variabiliteit beperkte.
  • Infill Recommender: De geleerde aanbeveler behaalde de beste gecombineerde sterkte-kosten score (0.937) vergeleken met willekeurige of vaste-schaal baselines.
• Real-World Validatie: De gegenereerde G-code werd succesvol geprint op een Bambu Lab X1-Carbon printer. De fysieke prints vertoonden structurele integriteit, met succesvolle fabricage van mechanische onderdelen (tandwielen) en delicate structuren, wat de praktische levensvatbaarheid van de pijplijn bevestigt.

Betekenis

Het artikel stelt dat PrintAnything een kritieke bottleneck aanpakt in de integratie van 3D-sensing en 3D-manufacturing. Door de afhankelijkheid van foutgevoelige mesh-reconstructie te elimineren, maakt het framework een praktische, volledig mesh-vrije pijplijn mogelijk. Dit stelt gebruikers met 3D-gescande data (vaak in puntenwolkformaat) in staat om direct fabricage-klare toolpaths te verkrijgen, waarmee de beperkingen van huidige workflows worden overwonnen die moeite hebben met niet-georiënteerde en ruisgevoelige inputs. Het werk demonstreert dat learning-based benaderingen effectief complexe fabricage-instructies (G-code) kunnen synthetiseren direct vanuit ruwe geometrische data.