Перспективы применения в промышленном дизайне нейросетевых методов реконструкции 3D-моделей экстерьера автомобилей

Введение (постановка задачи и актуальность). В автомобилестроении дизайн выступает одним из определяющих факторов, влияющих на конкурентоспособность продукции. В этой связи разработчиками осуществляется непрерывный поиск эффективных методов оптимизации процесса дизайн-проектирования. В настоящее время прилагаются активные усилия по внедрению в дизайн-проектирование технологий искусственного интеллекта (ИИ), открывающих новые возможности для разработчиков и существенно повышающих их производительность. Так как одним из самых ресурсоёмких этапов процесса создания автомобильного дизайна является трёхмерное моделирование, актуальным становится поиск путей использования возможностей ИИ для повышения автоматизации данного вида работ. Для поиска способов оптимизации данного этапа целесообразно проанализировать современные методы 3D-моделирования на базе ИИ, провести обзор нейросетевых программных инструментов для генерации 3D-моделей, протестировать наиболее востребованные из них, выполнить сравнительную оценку качества и детализации сгенерированных моделей, оценить перспективы и сформулировать практические рекомендации по интеграции ИИ в процесс разработки автомобильного дизайна на этапе создания цифровых трёхмерных моделей.

Цель исследования – анализ современных методов и возможностей ИИ для автоматизированной генерации 3D-моделей экстерьера автомобилей, а также определение перспектив их практического применения в промышленном дизайн-проектировании.

Методология и методы. Использованы методы анализа и систематизации результатов исследований в области применения технологий ИИ в 3D-моделировании; проведена апробация их применения для генерации трёхмерных моделей автомобилей методом компьютерного моделирования с использованием технологий ИИ на основе рассмотренных подходов.

Результаты и научная новизна. В работе представлен обзор и анализ современных методов реконструкции трёхмерных поверхностей, а также программных средств для генерации цифровых 3D-моделей, функционирующих на основе технологий ИИ. Особое внимание уделено процессу автоматизированного построения цифровых трёхмерных моделей автомобильных объектов по одному или нескольким двумерным изображениям с использованием нейронных сетей. Приведены примеры практического применения различных архитектур нейронных сетей на этапе трёхмерного моделирования. Выявлены и ключевые функциональные возможности генерации трёхмерных моделей в нейронных сетях, а также определены основные преимущества и ограничения данного подхода при его использовании в сфере автомобильного дизайн-проектирования. Научная новизна данного исследования заключается в разработке и апробации нового подхода, предусматривающего использование нейросетевых методов реконструкции 3D-моделей по одному или нескольким двумерным изображениям в процессе дизайн-проектирования автомобилей, а также в определении подходов для оценки точности нейросетевой генерации.

Практическая значимость. Применение в дизайн-проектировании нейросетевых методов реконструкции 3D-моделей обеспечивает автоматизацию процесса трёхмерного моделирования, позволяет упростить анализ и визуализацию формы проектируемых автомобилей, а также ускорить процесс создания CAD-моделей. В данном исследовании представлены результаты применения нейронных сетей при генерировании CAD-моделей электрического родстера и грузового электромобиля, а также сравнение и оценка полученных результатов в виде численных значений.

1. Lab Мaharaj. Revolutionizing automotive design with artificial intelligence. URL: https://medium.com/@labmaharaj/revolutionizing-automotive-design-withartificial-intelligence-b1ceff124b5b (дата обращения: 07.08.2025).

2. Abduljabbar R., Dia H., Liyanage S., Bagloee S. Applications of artificial intelligence in transport: an overview // Sustainability. – 2019. – V. 11. – No. 1. – P. 189.

3. Yüksel N., Öztürk Z., Bora S., Korkmaz S. Review of artificial intelligence applications in engineering design perspective // Engineering Applications of Artificial Intelligence. – 2023. – V. 118. – Art. 105697.

4. Xiong W., Huang F., Zhang H., Jiang M. 3D voxel reconstruction from single-view image based on cross-domain feature fusion // Expert Systems with Applications. – 2024. – V. 256. – Art. 124957.

5. Chen J., Bautembach D., Izadi S. Scalable real-time volumetric surface reconstruction / ACM Transactions on Graphics (TOG). – 2013.

6. Ben-Shabat Y., Koneputugodage C.H., Gould S. Divergence guided shape implicit neural representation for unoriented point clouds // CoRR. – 2021. arXiv:2106.10811.

7. Nozawa N., Shum H.P.H., Feng Q., Ho E.S.L., Morishima S. 3D car shape reconstruction from a contour sketch using GAN and lazy learning // The Visual Computer. – 2022. – V. 38. – P. 1317–1330.

8. Wang B., Wu Q., Wang H., Hu L., Li B. 3D surface reconstruction of car body based on any single view // IEEE Access. – 2024. – P. 1–1. DOI: 10.1109/ACCESS. 2024.3404635.

9. Wang N., Zhang Y., Li Z., Fu Y., Yu H., Liu W., Xue X., Jiang Y.-G. Pixel2Mesh: 3D mesh model generation via image guided deformation // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2021. – V. 43. – No. 10. – P. 3600–3613. DOI: 10.1109/TPAMI. 2 020.2984232.

10. Boissonnat J.-D. Geometric structures for threedimensional shape representation // ACM Transactions on Graphics (TOG). – 1984. – V. 3. – No. 4. – P. 266–286.

11. Cui J., Cao J., Zhao F., He Z., Chen Y., Zhong Y., Yu J. Letsgo: large-scale garage modeling and rendering via LiDAR-assisted gaussian primitives // ACM Transactions on Graphics. – 2024. – V. 43. – No. 6. – P. 1–18. DOI: 10.1145/3687762.

12. Chen H., Gu J., Chen A., Tian W., Tu Z., Liu L., Su H. Single-Stage Diffusion NeRF: A unified approach to 3D generation and reconstruction / IEEE, 2023, 1–6 October.

13. Mildenhall B. NeRF: representing scenes as neural radiance fields for view synthesis // Communications of the ACM. – 2021. – V. 65. – No. 1. – P. 99–106.

14. Rukhovich D., Dupont E., Mallis D., Cherenkova K., Kacem A., Aouada D. CAD-Recode: reverse engineering CAD code from point clouds / arXiv preprint, 2024. arXiv:2412.14042. – 13 p.

15. Chen T., Yu C., Hu Y., Li J., Xu T., Cao R., Zhu L., Zang Y., Zhang Y., Li Z., Sun L. Img2CAD: conditioned 3D CAD model generation from single image with structured visual geometry / arXiv preprint, 2024. arXiv:2410.03417.

16. Yuan Z., Shi J., Huang Y. OpenECAD: an efficient visual language model for editable 3D-CAD design // Computers & Graphics. – 2024. – V. 124. – No. 4. – Art. 104048. DOI: 10.1016/j.cag.2024.104048.

17. Guo J., Gao S., Bian J.-W., Sun W., Zheng H., Jia R., Gong M. Hyper3D: efficient 3D representation via hybrid triplane and octree feature for enhanced 3D shape variational auto-encoders / arXiv preprint, 2025. arXiv:2503.10403.

18. MasterpieceX. URL: https://www.masterpiecex.com (дата обращения: 07.08.2025).

19. Jie P., Shan X. A comparative analysis between Leonardo.AI and Meshy as AI texture generation tools // The International Journal of Advanced Culture Technology. – 2023. – V. 11. –No. 4. – P. 333–339.

20. Bridging the gap between 2D and 3D. URL: https://www.vizcom.ai/blog/introducing-generative-3din-vizcom (дата обращения: 07.08.2025).

21. Tochilkin D., Pankratz D., Liu Z., Huang Z., Letts A., Li Y., Liang D., Laforte C., Jampani V., Cao Y.P. TripoSR: fast 3D object reconstruction from a single image / arXiv preprint, 2024. arXiv:2403.02151.

22. Xu X., Yang J., Wang C., Zhang Y., Li Y., Yuan Y., Yan S. Hunyuan3D 1.0: a unified framework for text-to- 3D and image-to-3D generation / arXiv preprint, 2024. arXiv:2411.02293.

23. Xu X., Yang J., Wang C., Zhang Y., Li Y., Yuan Y., Yan S. Hunyuan3D 2.5: towards high-fidelity 3D assets generation with ultimate details / arXiv preprint, 2025. arXiv:2506.16504.

24. Instant3d.ai. URL: https://app.instant3d.ai (дата обращения: 07.08.2025).

25. Liu M., Wang J., Gupta A., Ren S., Su H. Structured 3D latents for scalable and versatile 3D generation / arXiv preprint, 2024. arXiv:2412.01506.

26. Vizcom. URL: https://www.vizcom.com (дата обращения: 07.08.2025).

27. Trellis 3D AI: профессиональная генерация изображений в 3D-активы. URL: https://trellis3d.co/ru (дата обращения: 07.08.2025).

28. Li Z., Xu Z., Li Y., Gu X.D., Lei N. What’s the situation with intelligent mesh generation: a survey and perspectives / ResearchGate, arXiv, 2022. arXiv:2211.06009. DOI: 10.48550/arXiv.2211.06009.

29. Zhang Y., Liu X., Wang J., Chen H., Wang Y. Recent advances in implicit representation-based 3D shape generation // Visual Computing for Industry, Biomedicine, and Art. – 2024. – V. 7. – No. 1. – P. 1–14.