ケーススタディ · コンピュテーショナルデザイン · KSDS 2026
自動製品形態分析における多視点の一貫性
データ駆動型のデザインには、製品形状を定量的に表す記述子が欠かせません。本研究では、企業の非公開データで入手が難しい3D CADの代わりに、16枚の標準的なレンダリング画像を入力として使えるかを検証します。
分析した7製品のひとつ。各製品をターンテーブル上で360°一周させてレンダリングしました。
プロジェクト概要
D. Sarfraz、K. Kim（UNIST）
KSDS 2026国際会議
Python（OpenCV、scikit-image）、Hugging Face Transformers経由のDepth-Anything-V2-Small
細長さ、対称性、輪郭の不規則さ、見かけの部品数を表すコンパクトなベクトルがあれば、競合製品の比較、デザインの変遷の追跡、そして知覚品質などの評価と形態との関連づけが可能になります。理想的な入力はCADですが、入手できることはまれです。一方、製品画像は広く手に入り、専門家が評価するのもまさにその画像です。
背景
シルエットと深度の情報から、23の形態パラメータを導く
各画像をシルエットマスクと深度マップに分解し、確立された23の形態パラメータで要約します。パラメータ自体は新しいものではありません。本研究の貢献は、少数の画像から23すべてを自動で抽出する点にあります。
-
1
シルエットマスク
アルファチャンネルから取得するか、輝度のしきい値処理と最大輪郭の塗りつぶしによって生成します。
-
2
単眼深度推定
Depth-Anything-V2-Smallが1枚のRGB画像から深度を推定し、マスク内で正規化します。
-
3
23のパラメータ
対称性、プロポーション、曲率、視覚的複雑さ、凸性、バランス、プリミティブ形状への適合度。15のパラメータはマスクのみを使い、8つは深度も組み込みます。
評価プロトコル。7つの製品をそれぞれターンテーブル上で360°一周させ、16視点（22.5°ごと）と180視点（2°ごと）の2種類のセットでレンダリングしました。対象は、Lemmy、Sony PSP-1000、Teenage Engineering TP-7、ゲームコントローラー、Nokiaの携帯電話、Marshallのスピーカー、Canonのレンズです。各パラメータについて、一貫性 = 1 − |v₁₆ − v₁₈₀| / |v₁₈₀| を求め、製品間で平均しました。
16視点で、23パラメータ中20について180視点の結果を再現
高い一貫性（90%以上）。上位は、ソリディティ（99.9%）、重心バランス・矩形度・プリミティブ適合度（99.8%）、凸性指数（99.7%）、対称性（99.6%）です。
中程度（80〜90%）。サブバンドエントロピー（83.4%）と軸数（80.4%）。どちらも、元のスケールが小さいことや整数しきい値の影響を受けやすい指標です。
低め（80%未満）。凹部にもとづく部品数（76.3%）はしきい値に敏感で、凹みの少ない製品では精度が下がります。
高速な処理が、データセット規模の形態分析を可能に
23パラメータのプロファイルは、16枚のレンダリング画像から数秒で算出できます。こうした画像は、製品カタログにすでに含まれていることも少なくありません。数百から数千の製品で形態パラメータを専門家の評価と組み合わせれば、学習モデルに必要なデータセットを構築できます。
対象範囲と限界
サンプルは7製品で、単一の軸まわりに回転させ、ピッチ（仰角）の変化はありません。整数カウント型のパラメータは、ほかのパラメータと並べて報告する前にリスケーリングが必要です。本研究が示すのは視点数を変えても結果が安定することであり、幾何学的な正確さではありません。ベクトルを専門家の評価と結びつけることが、次の検証です。
