Awesome AI4CAD Hub 论文 · 数据集 · 项目
← 返回论文列表

基于级联离散扩散模型的计算机辅助设计生成

arXiv 2026 58.5 method

TLDR

提出一种级联离散扩散模型,利用定制转移矩阵生成CAD命令和参数。

评分理由

The paper addresses a key limitation of continuous diffusion for discrete CAD tokens by introducing a discrete diffusion framework with specialized transition matrices. Strengths include novel methodology and handling of heterogeneous attributes; weaknesses include lack of explicit real-world evaluation or comparison in the abstract.

Read-first 评分解释

综合优先阅读分 58.5,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 62。

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

方法质量 25%
90

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:数据集、评估、实验、指标、结果

可复现性 25%
46

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:代码、数据集

主题相关性 42%
38.8

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

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性:volatile;排名波动范围:24。

关键词评分

computer-aided design
10
CAD generation
10
AI for CAD
9
generative CAD
9
parametric CAD
9
neural CAD
8
CAD program
7
B-Rep
0
boundary representation
0
constructive solid geometry
0
CSG
0
sketch extrusion
0
CAD reconstruction
0
text-to-CAD
0
image-to-CAD
0
point cloud to CAD
0

深度分析

创新点

  • 级联离散扩散框架,首先生成CAD命令,然后生成以命令为条件的参数
  • 使用定制转移矩阵的离散前向过程:命令采用吸收态转移矩阵,坐标连续性采用高斯核,维度值采用尺度不变核,布尔属性采用先验保持核
  • 去噪网络:基于Transformer编码器恢复命令,参数网络结合局部自注意力和交叉注意力实现命令级交互和条件注入

方法

该方法将CAD模型表示为离散命令和参数的序列,然后应用级联离散扩散过程。前向扩散使用针对每种属性类型的专用转移矩阵破坏令牌,反向过程采用基于Transformer的命令去噪器和参数去噪器,其中参数去噪器包含局部自注意力和以命令为条件的交叉注意力。在DeepCAD数据集上进行了无条件生成和条件生成的评估。

关键结果

所提出的方法在无条件生成指标上超越了现有的自回归模型和连续扩散模型,并在条件生成任务中展示了有效的可控性。

标签

CV