boundary representation
PulseAugur coverage of boundary representation — every cluster mentioning boundary representation across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新AI系统可从多种输入生成可执行CAD程序
研究人员开发了MIRAGE-CAD系统，该系统能够从包括自然语言、渲染图像、点云和STEP/B-Rep几何体在内的各种输入生成可执行CAD程序。该系统将这些输入映射到一个共享的构建表示，通过显式的构建计划接口来中介程序生成。这段Python代码由OpenCASCADE内核执行，在未见过的查询上实现了显著的构建和导出成功率。研究表明，虽然强大的重建不完全依赖于文本构建表示，但显式的计划提供了一个可衡量的中间表示，对下游执行成功具有信息量。
-
新的HiFi-BRep框架增强了CAD边界表示的生成
研究人员开发了HiFi-BRep，一个旨在改进计算机辅助设计边界表示（B-Reps）生成的新型框架。该方法通过采用拓扑感知编码器和单阶段解码器来解决深度生成模型中的常见问题。编码器通过消除噪声和污染来创建高保真潜在表示，而解码器则通过可微分的有效性约束同时预测几何和拓扑，确保结构完整性和几何精度。
-
新的OmniMech基准评估VLMs在工业CAD生成方面的能力
研究人员推出了OmniMech，这是一个大规模基准，旨在评估视觉语言模型（VLMs）从工业制造数据生成可执行CAD程序的能力。该基准包含超过251,000个带有尺寸和公差的2D图纸，并配有原生CAD模型和各种表示。OmniMech专注于四项任务：参数化CAD合成、图示到3D推理、标注基础推理和工具增强的代理推理。初步实验表明，当前的VLMs和专门的CAD模型在合成可执行程序以及准确执行尺寸和公差方面面临挑战。
-
新WDR框架无需重新训练即可改进CAD模型生成
研究人员开发了一个名为线框检测与修复（WDR）的新框架，以改进CAD模型有效边界表示（B-Reps）的生成。这种无需训练的方法解决了中间线框中的自相交和顶点断开等问题，这些问题可能导致最终B-Reps无效。WDR利用几何拓扑异常检测器（GTAD）进行风险预测，并利用能量引导几何拓扑修复（EGGTR）模块进行引导式再生，从而在无需对大型生成模型进行计算成本高昂的重新训练的情况下，提高了B-Rep的有效性。
-
新的CAD框架直接从参数化曲面生成B-Rep模型
研究人员开发了ParaCAD，一个新颖的自回归框架，可以直接从参数化曲面生成边界表示（B-Rep）模型。与以往依赖点或基于网格的表示方法不同，该方法保留了CAD模型的内在几何保真度和参数。ParaCAD生成具有约束UV域的曲面，然后通过相交这些曲面来构建有效的B-Rep，从而为下游应用实现更准确、可用的3D设计。
-
新的ArtisanCAD代理使用专家知识进行工业CAD生成
研究人员开发了ArtisanCAD，这是一个工业级的CAD代理，它利用专家知识蒸馏来改进计算机辅助设计模型的生成。该系统采用CAD中间表示（CAD-IR）来编码参数、操作和依赖关系，使其能够将模糊的提示转换为可执行的CAD程序。ArtisanCAD利用来自工业工作流的专家知识，例如CATIA操作记录，来创建可用于生产的B-Rep模型，从而显著减少错误并增强复杂汽车组件的生成。
-
Embodied CAD 使用LLM智能体进行参数化装配建模
研究人员开发了Embodied CAD系统，该系统使用大型语言模型（LLM）智能体在计算机辅助设计（CAD）中执行参数化边界表示（B-Rep）装配建模。该智能体从CAD技能库中迭代选择动作，将其转换为几何操作，并在CAD后端执行。它利用几何内核求解器的反馈来优化其计划并进行学习，旨在实现可靠的工业CAD建模。
-
Pointer-CAD 统一 B-Rep 和命令序列，用于基于 LLM 的 CAD 生成
研究人员推出 Pointer-CAD，这是一个旨在改进使用大型语言模型 (LLM) 生成计算机辅助设计 (CAD) 模型的新框架。与之前将 CAD 表示为命令序列的方法不同，Pointer-CAD 整合了来自 B-rep 模型的几何信息。这使得 LLM 能够显式选择面和边等几何实体，这对于复杂的编辑操作至关重要，并减少了与离散化连续变量相关的错误。
-
LLM驱动的FutureCAD框架生成高保真CAD模型
研究人员开发了FutureCAD，一个用于生成高保真计算机辅助设计（CAD）模型的新框架。该系统利用大型语言模型（LLM）生成可执行的CadQuery脚本，并使用B-Rep接地Transformer来解释用于几何选择的自然语言命令。该框架使用新颖的真实世界CAD模型数据集进行训练，采用了监督微调和强化学习。实验表明，FutureCAD在CAD生成方面取得了最先进的性能。