HG-CAD：面向计算机辅助设计的层级图学习用于材料预测与推荐

arXiv 2023 27.9 method

TLDR

HG-CAD通过层级图学习预测和推荐CAD装配体材料，在Fusion 360数据集上超越基线。

评分理由

The paper introduces a novel hierarchical graph representation for joint learning of body geometry and assembly topology, achieving strong results on material prediction. However, its scope is limited to material recommendation rather than broader CAD generation or reconstruction tasks, and evaluation is confined to a single dataset.

Read-first 评分解释

综合优先阅读分 27.9，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 21。

近期性 8%

65.1

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：2023

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：基线、数据集、评估、指标

主题相关性 42%

13.1

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：无；代码：无；数据：无；命中信号：数据集

研究版图角色

候选论文

排序敏感性

稳定性：volatile；排名波动范围：61。

关键词评分

computer-aided design

AI for CAD

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