NURBGen: Hochwertige Text-zu-CAD-Generierung durch LLM-gesteuerte NURBS-Modellierung

NURBGen: High-Fidelity Text-to-CAD Generation through LLM-Driven NURBS Modeling

November 9, 2025

papers.authors: Muhammad Usama, Mohammad Sadil Khan, Didier Stricker, Muhammad Zeshan Afzal

cs.AI

papers.abstract

Die Erzeugung editierbarer 3D-CAD-Modelle aus natürlicher Sprache bleibt eine Herausforderung, da bestehende Text-zu-CAD-Systeme entweder Netze erzeugen oder auf knappe Entwurfsverlaufsdaten angewiesen sind. Wir stellen NURBGen vor, das erste Framework zur direkten Erzeugung hochpräziser 3D-CAD-Modelle aus Text unter Verwendung von Non-Uniform Rational B-Splines (NURBS). Dazu fine-tunen wir ein großes Sprachmodell (LLM), um Freitexte in JSON-Repräsentationen zu übersetzen, die NURBS-Oberflächenparameter enthalten (d.h. Kontrollpunkte, Knotenvektoren, Grade und rationale Gewichte), die mit Python direkt in das BRep-Format konvertiert werden können. Wir schlagen weiterhin eine hybride Repräsentation vor, die unbeschnittene NURBS mit analytischen Primitiven kombiniert, um beschnittene Flächen und degenerierte Bereiche robuster zu behandeln und gleichzeitig die Token-Komplexität zu reduzieren. Zusätzlich führen wir partABC ein, einen kuratierten Teil des ABC-Datensatzes, der aus einzelnen CAD-Komponenten besteht und mit detaillierten Beschriftungen durch eine automatisierte Annotationspipeline versehen ist. NURBGen zeigt eine hohe Leistungsfähigkeit bei diversen Eingabeaufforderungen und übertrifft bisherige Methoden in geometrischer Präzision und Maßhaltigkeit, was durch Expertenbewertungen bestätigt wird. Code und Datensatz werden öffentlich zugänglich gemacht.

English

Generating editable 3D CAD models from natural language remains challenging, as existing text-to-CAD systems either produce meshes or rely on scarce design-history data. We present NURBGen, the first framework to generate high-fidelity 3D CAD models directly from text using Non-Uniform Rational B-Splines (NURBS). To achieve this, we fine-tune a large language model (LLM) to translate free-form texts into JSON representations containing NURBS surface parameters (i.e, control points, knot vectors, degrees, and rational weights) which can be directly converted into BRep format using Python. We further propose a hybrid representation that combines untrimmed NURBS with analytic primitives to handle trimmed surfaces and degenerate regions more robustly, while reducing token complexity. Additionally, we introduce partABC, a curated subset of the ABC dataset consisting of individual CAD components, annotated with detailed captions using an automated annotation pipeline. NURBGen demonstrates strong performance on diverse prompts, surpassing prior methods in geometric fidelity and dimensional accuracy, as confirmed by expert evaluations. Code and dataset will be released publicly.