Brep2Shape：基于自监督Transformer的边界与形状表示对齐

arXiv 2026 62.2 method

TLDR

Brep2Shape使用自监督Transformer，通过从贝塞尔控制点预测空间点，对齐B-rep边界与形状表示。

评分理由

The paper introduces a novel self-supervised method to bridge the gap between continuous and discrete B-rep representations, with a Dual Transformer and topology attention. Strengths include state-of-the-art accuracy and convergence; weaknesses are limited scope (only B-rep alignment, not generative tasks) and lack of explicit real-world dataset details in abstract.

Read-first 评分解释

综合优先阅读分 62.2，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 58。

近期性 8%

100

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：2026

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：有；数据：无；命中信号：代码、GitHub、仓库

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：实验、指标、结果

主题相关性 42%

36.2

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

研究版图角色

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：39。

关键词评分

computer-aided design

B-Rep

boundary representation

neural CAD

AI for CAD

parametric CAD

generative CAD

CAD reconstruction

CAD program

constructive solid geometry

CSG

sketch extrusion

CAD generation

text-to-CAD

image-to-CAD

point cloud to CAD

深度分析

创新点

自监督预训练对齐边界表示（B-rep）与形状表示
几何感知任务：从参数化贝塞尔控制点预测密集空间点
双流Transformer骨干网络，并行编码曲面和曲线令牌
拓扑注意力机制建模曲面与曲线之间的相互依赖关系

方法

Brep2Shape是一种自监督预训练方法，采用双流Transformer骨干网络独立编码曲面和曲线令牌，并通过拓扑注意力捕获它们的相互依赖关系。模型通过几何感知任务训练，从贝塞尔控制点预测密集空间点，从而将抽象的B-rep与直观的形状表示对齐。

关键结果

Brep2Shape在多种下游任务中实现了最先进的准确率和更快的收敛速度，展现出显著的可扩展性。

技术栈

TransformerSelf-supervised learningB-repBézier curvesDual TransformerTopology attention

资源

论文代码