• 2026年12月28日(月) 10:00 ~ 17:00

１．はじめに：CAD・CAEと3D形状データの変化
　　（１）．CADモデル、メッシュモデル、ポイントクラウドの違い
　　（２）．3Dスキャン、リバースエンジニアリング、CAEモデル作成との関係
　　（３）．生成ＡＩによる「形状を作る・補う・探索する」技術の位置づけ
　　（４）．本講習会で扱う範囲：ポイントクラウド生成と潜在空間の理解

２．ポイントクラウドの基礎
　　（１）．ポイントクラウドの表現：座標、法線、色、属性値
　　（２）．点群が「順序を持たない集合」であることの意味
　　（３）．点群の前処理：正規化、サンプリング、ノイズ、欠損
　　（４）．CAD／CAEデータとの接続：STL、メッシュ、節点座標、形状特徴量

３．点群を扱う深層学習の基礎
　　（１）．画像データと点群データの違い
　　（２）．PointNetの基本思想：各点の特徴抽出とmax pooling
　　（３）．点群エンコーダによる低次元特徴量への圧縮
　　（４）．潜在空間とは何か：形状を数値ベクトルとして表す考え方

４．生成ＡＩモデルの基礎：GAN、VAE／cVAE、Diffusion
　　（１）．AutoencoderとVAE：再構成と確率的生成
　　（２）．cVAE：条件付き生成とクラス・設計条件の与え方
　　（３）．GAN：識別器と生成器による競合学習
　　（４）．Diffusion model：ノイズから段階的に形状を生成する考え方

５．ポイントクラウド生成における評価と注意点
　　（１）．Chamfer Distanceによる点群間距離の評価
　　（２）．Earth Mover’s Distanceの考え方
　　（３）．生成結果の多様性と妥当性の見方
　　（４）．CAD/CAEに使う場合の注意点：滑らかさ、寸法精度、物理的妥当性

６．学習済みcVAEによるポイントクラウド生成と潜在空間可視化
　　（１）．環境の確認：Python、Jupyter Notebook、NumPy、PyTorch、MatplotlibまたはOpen3D
　　（２）．サンプル点群データの読み込みと3D可視化
　　（３）．学習済みcVAEモデルの読み込みと入力点群の再構成
　　（４）．潜在ベクトルの取得とPCAまたはt-SNE等による２次元可視化
　　（５）．潜在空間上の補間による形状変化の観察

７．まとめ：CAD・CAE業務への応用
　　（１）．ポイントクラウド生成ＡＩの基本的な考え方の整理
　　（２）．欠損点群の補完とリバースエンジニアリング支援
　　（３）．CAE用形状バリエーションの自動生成
　　（４）．形状最適化、サロゲートモデル、設計空間探索との連携
　　（５）．質疑応答

オンラインセミナー