Drawing2CAD: Sequenz-zu-Sequenz-Lernen für die CAD-Generierung aus Vektorgrafiken

Drawing2CAD: Sequence-to-Sequence Learning for CAD Generation from Vector Drawings

August 26, 2025

papers.authors: Feiwei Qin, Shichao Lu, Junhao Hou, Changmiao Wang, Meie Fang, Ligang Liu

cs.AI

papers.abstract

Computer-Aided Design (CAD)-Generative Modeling treibt bedeutende Innovationen in industriellen Anwendungen voran. Jüngste Arbeiten haben bemerkenswerte Fortschritte bei der Erstellung von Volumenmodellen aus verschiedenen Eingaben wie Punktwolken, Netzen und Textbeschreibungen gezeigt. Diese Methoden weichen jedoch grundlegend von traditionellen industriellen Workflows ab, die mit 2D-Konstruktionszeichnungen beginnen. Die automatische Generierung parametrischer CAD-Modelle aus diesen 2D-Vektorzeichnungen bleibt trotz ihrer entscheidenden Rolle im Engineering-Design weitgehend unerforscht. Um diese Lücke zu schließen, besteht unsere zentrale Erkenntnis darin, die CAD-Generierung als ein Sequence-to-Sequence-Lernproblem neu zu formulieren, bei dem Vektorzeichnungsprimitive direkt die Generierung parametrischer CAD-Operationen informieren und dabei geometrische Präzision und Designabsicht während des Transformationsprozesses bewahren. Wir stellen Drawing2CAD vor, ein Framework mit drei zentralen technischen Komponenten: eine netzwerkfreundliche Darstellung von Vektorprimitiven, die präzise geometrische Informationen bewahrt, eine Dual-Decoder-Transformer-Architektur, die die Generierung von Befehlstypen und Parametern entkoppelt, während eine präzise Korrespondenz aufrechterhalten wird, sowie eine Soft-Target-Distribution-Verlustfunktion, die die inhärente Flexibilität in CAD-Parametern berücksichtigt. Um Drawing2CAD zu trainieren und zu evaluieren, haben wir CAD-VGDrawing erstellt, einen Datensatz gepaarter Konstruktionszeichnungen und parametrischer CAD-Modelle, und umfangreiche Experimente durchgeführt, um die Effektivität unserer Methode zu demonstrieren. Code und Datensatz sind unter https://github.com/lllssc/Drawing2CAD verfügbar.

English

Computer-Aided Design (CAD) generative modeling is driving significant innovations across industrial applications. Recent works have shown remarkable progress in creating solid models from various inputs such as point clouds, meshes, and text descriptions. However, these methods fundamentally diverge from traditional industrial workflows that begin with 2D engineering drawings. The automatic generation of parametric CAD models from these 2D vector drawings remains underexplored despite being a critical step in engineering design. To address this gap, our key insight is to reframe CAD generation as a sequence-to-sequence learning problem where vector drawing primitives directly inform the generation of parametric CAD operations, preserving geometric precision and design intent throughout the transformation process. We propose Drawing2CAD, a framework with three key technical components: a network-friendly vector primitive representation that preserves precise geometric information, a dual-decoder transformer architecture that decouples command type and parameter generation while maintaining precise correspondence, and a soft target distribution loss function accommodating inherent flexibility in CAD parameters. To train and evaluate Drawing2CAD, we create CAD-VGDrawing, a dataset of paired engineering drawings and parametric CAD models, and conduct thorough experiments to demonstrate the effectiveness of our method. Code and dataset are available at https://github.com/lllssc/Drawing2CAD.