NURBGen: Generación de Texto a CAD de Alta Fidelidad mediante Modelado NURBS Impulsado por LLM

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

November 9, 2025

Autores: Muhammad Usama, Mohammad Sadil Khan, Didier Stricker, Muhammad Zeshan Afzal

cs.AI

Resumen

La generación de modelos editables de CAD 3D a partir de lenguaje natural sigue siendo un desafío, ya que los sistemas existentes de texto-a-CAD producen mallas o dependen de datos escasos de historial de diseño. Presentamos NURBGen, el primer marco de trabajo que genera modelos de CAD 3D de alta fidelidad directamente desde texto utilizando B-Splines Racionales No Uniformes (NURBS). Para lograrlo, ajustamos un modelo de lenguaje grande (LLM) para traducir textos de forma libre a representaciones JSON que contienen parámetros de superficie NURBS (es decir, puntos de control, vectores de nudo, grados y pesos racionales), los cuales pueden convertirse directamente al formato BRep usando Python. Además, proponemos una representación híbrida que combina NURBS sin recortar con primitivas analíticas para manejar superficies recortadas y regiones degeneradas de manera más robusta, reduciendo simultáneamente la complejidad de tokens. Adicionalmente, introducimos partABC, un subconjunto curado del conjunto de datos ABC que consiste en componentes individuales de CAD, anotados con descripciones detalladas mediante una canalización de anotación automatizada. NURBGen demuestra un rendimiento sólido en diversos prompts, superando métodos anteriores en fidelidad geométrica y precisión dimensional, según lo confirman evaluaciones de expertos. El código y el conjunto de datos serán publicados abiertamente.

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.