AutoMate

arXiv 2021 51.8 method

TLDR

提出SB-GCN，利用参数化BREP表示预测CAD装配配合，新数据集，商用CAD工具中准确率72.2%。

评分理由

Strengths include a novel representation learning on BREPs for mate prediction, a large-scale dataset release, and integration with a commercial CAD system. Weaknesses are the narrow focus on mate prediction rather than full assembly generation and moderate accuracy.

Read-first 评分解释

综合优先阅读分 51.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 70。

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、数据集、评估、指标

近期性 8%

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2021

主题相关性 42%

43.8

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI for CAD、computer-aided design、neural CAD、generative CAD、parametric CAD、B-Rep、boundary representation、constructive solid geometry、CSG、sketch extrusion、CAD generation、CAD reconstruction、text-to-CAD、image-to-CAD、point cloud to CAD、CAD program

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：数据集

研究版图角色

方法锚点

排序敏感性

稳定性：volatile；排名波动范围：53。

关键词评分

B-Rep

boundary representation

computer-aided design

parametric CAD

AI for CAD

neural CAD

CAD program

generative CAD

CAD generation

CAD reconstruction

constructive solid geometry

CSG

sketch extrusion

text-to-CAD

image-to-CAD

point cloud to CAD

深度分析

创新点

SB-GCN：一种在BREP上保留零件拓扑结构的表示学习方案
利用学习到的BREP表示来预测相对于BREP拓扑定义的CAD类型配合
首个大规模BREP CAD装配数据集及基准配合预测任务
与商业CAD系统集成实现配合建议，准确率达72.2%

方法

本文提出SB-GCN，一种图卷积网络，在参数化边界表示（BREP）上学习表示并保留拓扑结构，利用这些表示预测成对配合约束。他们编译了大规模BREP装配数据集用于训练和评估，并构建了一个在商业CAD系统中建议配合补全的工具。

关键结果

与商业CAD系统集成的配合建议工具在预测配合补全方面达到72.2%的准确率。

技术栈

SB-GCNGraph Convolutional NetworkParametric BREPCAD

资源

论文