GraphCAD

数据集分析

面向计算机辅助设计（CAD）的生成建模面临根本性挑战，即需要捕捉边界表示（B-reps）中离散拓扑连接与精确空间几何之间错综复杂的相互作用。现有生成方法大多将CAD构建形式化为序列建模问题，因而缺乏显式的拓扑归纳偏置。在本工作中，我们提出GraphCAD，一种几何感知生成框架，其建模核心是边邻接图（EAG）——一种专为生成任务设计的基于图的CAD表示。GraphCAD采用混合图扩散公式来联合建模EAG的离散与连续分量，并引入一种几何感知去噪机制，将节点属性渲染为空间点集。这些点集由SE(3)-等变主干网络编码并融合到节点表示中，从而将生成过程锚定于物理几何。为支撑本研究，我们构建了EAGBench，一个大规模工程CAD模型数据集。大量实验表明，GraphCAD能够生成包含50多个面的复杂CAD模型，并与基于序列的基线相比，在几何保真度和分布对齐方面取得了最先进的性能。