Drawing2CAD: Aprendizaje secuencia a secuencia para la generación de CAD a partir de dibujos vectoriales

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

August 26, 2025

Autores: Feiwei Qin, Shichao Lu, Junhao Hou, Changmiao Wang, Meie Fang, Ligang Liu

cs.AI

Resumen

El modelado generativo asistido por computadora (CAD) está impulsando innovaciones significativas en aplicaciones industriales. Trabajos recientes han mostrado avances notables en la creación de modelos sólidos a partir de diversas entradas como nubes de puntos, mallas y descripciones textuales. Sin embargo, estos métodos divergen fundamentalmente de los flujos de trabajo industriales tradicionales que comienzan con dibujos de ingeniería en 2D. La generación automática de modelos CAD paramétricos a partir de estos dibujos vectoriales en 2D sigue siendo poco explorada, a pesar de ser un paso crítico en el diseño de ingeniería. Para abordar esta brecha, nuestra idea clave es reformular la generación de CAD como un problema de aprendizaje secuencia a secuencia, donde las primitivas vectoriales de los dibujos informan directamente la generación de operaciones CAD paramétricas, preservando la precisión geométrica y la intención de diseño durante todo el proceso de transformación. Proponemos Drawing2CAD, un marco con tres componentes técnicos clave: una representación de primitivas vectoriales compatible con redes que preserva información geométrica precisa, una arquitectura transformadora de doble decodificador que desacopla la generación de tipos de comandos y parámetros mientras mantiene una correspondencia precisa, y una función de pérdida de distribución de objetivos suaves que acomoda la flexibilidad inherente en los parámetros CAD. Para entrenar y evaluar Drawing2CAD, creamos CAD-VGDrawing, un conjunto de datos de dibujos de ingeniería emparejados con modelos CAD paramétricos, y realizamos experimentos exhaustivos para demostrar la efectividad de nuestro método. El código y el conjunto de datos están disponibles en https://github.com/lllssc/Drawing2CAD.

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.