《Hierarchical Neural Coding for Controllable CAD Model Generation论文浅读》

目录前言1. 当前问题论文所针对的痛点1参数化CAD模型的局限性2现有深度学习方法缺乏“设计意图建模”3缺乏细粒度可控生成能力4未利用CAD天然的层次结构5交互式设计能力缺失2. 论文做了什么1三层层次化表示核心创新2三层Codebook学习改进VQ-VAE3两阶段自回归生成框架第一阶段Code Tree生成第二阶段CAD模型生成4支持三种关键能力✔ 可控生成Controllable Generation✔ 设计保持编辑Design-preserving Editing✔ 自动补全Auto-completion3. 解决了什么问题1实现“设计意图建模”2实现细粒度可控生成3提升生成质量与多样性4支持交互式CAD设计5统一“生成 编辑 控制”框架总结前言作者Xiang Xu, Pradeep Kumar Jayaraman, Joseph G. Lambourne, Karl D. D. Willis, Yasutaka Furukawa 会议ICML 2023 论文链接https://arxiv.org/abs/2307.00149 代码地址https://github.com/samxuxiang/hnc-cad1. 当前问题论文所针对的痛点1参数化CAD模型的局限性传统参数化CAD虽然支持局部编辑但存在明显问题需要人工定义复杂约束关系尺寸、对齐、依赖在非预期修改如尺寸变化、结构调整时容易失效无法保证设计意图Design Intent的一致性 表现为修改局部 → 全局结构破坏模型行为不可预测2现有深度学习方法缺乏“设计意图建模”现有方法如 DeepCAD、SkexGen 等主要关注生成结果忽略设计约束关系结构依赖设计语义 本质问题模型只“生成形状”不“理解设计”3缺乏细粒度可控生成能力现有方法通常只能进行整体global控制难以实现局部编辑分层控制结构 / 布局 / 几何 导致用户无法精确控制生成结果不适用于真实CAD设计流程4未利用CAD天然的层次结构CAD模型本质是层次结构Solid整体Profile轮廓Loop曲线但现有方法将其“扁平化”处理忽略层级关系 导致表达能力不足控制粒度粗5交互式设计能力缺失现有方法无法支持设计自动补全Auto-completion设计保持编辑Design-preserving editing 限制了工业应用价值2. 论文做了什么论文提出Hierarchical Neural Coding分层神经编码框架用于可控CAD生成。1三层层次化表示核心创新将CAD建模为三层结构Solid → Profile → Loop并学习三类离散codeSolid-level控制整体结构Profile-level控制2D布局Loop-level控制几何细节 本质用“分层离散编码”表示设计语义2三层Codebook学习改进VQ-VAE提出改进的VQ-VAE引入Masked Skip Connection学习三个codebookLoop codebookProfile codebookSolid codebook 作用提取“设计模式design patterns”避免过拟合实例细节3两阶段自回归生成框架第一阶段Code Tree生成输入部分CAD模型或条件输出层次化code tree第二阶段CAD模型生成输入code tree部分CAD输出Sketch Extrude序列 使用两个Transformer自回归4支持三种关键能力✔ 可控生成Controllable Generation修改不同层级code → 控制不同设计属性✔ 设计保持编辑Design-preserving Editing固定code tree → 修改参数 → 自动调整结构✔ 自动补全Auto-completion输入部分CAD → 自动生成完整模型3. 解决了什么问题1实现“设计意图建模”通过层次化code tree显式建模结构关系保持设计一致性 效果局部修改 → 全局合理调整2实现细粒度可控生成相比已有方法方法控制能力DeepCAD❌ 无SkexGen⚠️ 部分解耦本文✅ 层次化控制 用户可以控制结构Solid控制布局Profile控制几何Loop3提升生成质量与多样性实验表明更高 Coverage多样性更低 MMD / JSD更真实更强复杂结构生成能力 本质学到“设计模式”而非简单记忆4支持交互式CAD设计实现自动补全Auto-completion设计编辑Editing设计控制Control 应用价值智能CAD辅助设计人机协同建模5统一“生成 编辑 控制”框架不同于以往只做生成本文同时支持生成修改补全 更接近真实工业CAD需求总结本文针对CAD生成中缺乏设计意图建模、可控性不足以及层次结构未被利用的问题提出了一种基于三层层次化神经编码的生成框架。通过构建Solid–Profile–Loop的层次表示并结合改进的VQ-VAE与两阶段自回归Transformer实现了高质量、可控的CAD模型生成。同时该方法支持设计保持编辑与自动补全显著提升了生成模型在实际CAD设计场景中的实用性。