[论文解读] Hierarchical Neural Coding for Controllable CAD Model Generation

Xiang Xu, Pradeep Kumar Jayaraman+3 more|arXiv (Cornell University)|Jun 30, 2023

Manufacturing Process and Optimization被引用 7

一句话总结

本文提出了一种分层神经编码框架，用于可控的CAD模型生成，采用三级离散神经码的树状结构——分别表示全局零件布局、局部轮廓几何和细粒度曲线特征——结合掩码跳跃连接的VQ-VAE与级联的自回归Transformer，实现高保真、意图感知的生成与自动补全。该方法在无条件与条件生成任务中均达到当前最优性能，能够生成多样化、高质量的CAD输出，并支持直观的用户控制。

ABSTRACT

This paper presents a novel generative model for Computer Aided Design (CAD) that 1) represents high-level design concepts of a CAD model as a three-level hierarchical tree of neural codes, from global part arrangement down to local curve geometry; and 2) controls the generation or completion of CAD models by specifying the target design using a code tree. Concretely, a novel variant of a vector quantized VAE with "masked skip connection" extracts design variations as neural codebooks at three levels. Two-stage cascaded auto-regressive transformers learn to generate code trees from incomplete CAD models and then complete CAD models following the intended design. Extensive experiments demonstrate superior performance on conventional tasks such as random generation while enabling novel interaction capabilities on conditional generation tasks. The code is available at https://github.com/samxuxiang/hnc-cad.

研究动机与目标

• 解决现有基于深度学习的CAD生成方法中缺乏设计意图建模的问题。
• 通过学习分层设计概念的离散神经码，实现可控的高保真CAD生成。
• 支持新型用户交互，如从部分输入实现设计自动补全与意图保持的编辑。
• 相较于SkexGen与DeepCAD等SOTA方法，提升生成的多样性与保真度。
• 建立一种神经码树表示，以捕捉CAD模型中的几何与结构关系。

提出的方法

• 采用一种新型向量量化VAE（VQ-VAE）变体，引入掩码跳跃连接，从草图-拉伸CAD序列中学习三级离散码本。
• 码本编码分层设计概念：全局零件布局、二维轮廓几何与局部曲线级特征。
• 采用两阶段级联自回归Transformer，先从不完整的CAD模型生成码树，再基于码树与部分输入重建完整CAD模型。
• 系统支持直接输入码树以实现可控生成，并支持从部分拉伸轮廓或环形结构中实现自动补全。
• 掩码跳跃连接通过保留潜在表示与几何之间的结构关系，增强码本学习效果。
• 生成的CAD模型被转换为B-Rep格式，以确保与工业CAD软件的兼容性。

Figure 1 : We propose three-level hierarchical neural coding for controllable CAD model generation. Our system learns high-level design concepts as discrete codes at different levels, enabling more diverse and higher-quality generation (top); novel user controls while specifying design intent (botto

实验结果

研究问题

• RQ1 分层神经码树能否有效在CAD结构的多个层次上表示高层次设计意图？
• RQ2 带有掩码跳跃连接的VQ-VAE能否学习到更解耦且可解释的码本，以支持CAD生成？
• RQ3 基于部分CAD输入的自回归Transformer能否生成多样化且忠实的补全结果？
• RQ4 码树表示能否实现细粒度、意图保持的CAD模型编辑？
• RQ5 在条件与无条件生成任务中，该方法在质量与可控性方面相较于现有SOTA方法表现如何？

主要发现

• 所提方法在无条件CAD生成中达到当前最优性能，生成的模型比先前SOTA方法更复杂且更逼真。
• 在条件生成中，系统通过分层码树操作展现出卓越的几何控制力与多样性。
• 从部分拉伸轮廓或环形结构中实现自动补全，其保真度与多样性均优于最近邻基线方法，后者受限于多样性不足与对齐性差。
• 通过掩码跳跃连接的码本学习，能够捕捉与实例无关的设计模式（如振荡环），同时忽略实例特异性细节（如曲线数量或类型）。
• 通过固定码树并仅更新模型参数，实现设计保持的编辑，可自动传播编辑以维持结构关系。
• 通过直接编辑码树，系统支持直观的用户交互，使用户能够在不同抽象层次上指定设计意图。

Figure 2 : Example failures of parametric CAD, editing a design (a) by shortening or extending (green) the table. Inconsistent areas are highlighted in red.