Drawing2CAD : Apprentissage séquence-à-séquence pour la génération de CAO à partir de dessins vectoriels

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

La modélisation générative assistée par ordinateur (CAO) est à l'origine d'innovations majeures dans diverses applications industrielles. Des travaux récents ont montré des progrès remarquables dans la création de modèles solides à partir de différentes entrées telles que des nuages de points, des maillages et des descriptions textuelles. Cependant, ces méthodes divergent fondamentalement des workflows industriels traditionnels qui commencent par des dessins techniques 2D. La génération automatique de modèles CAO paramétriques à partir de ces dessins vectoriels 2D reste peu explorée, bien qu'elle constitue une étape cruciale dans la conception technique. Pour combler cette lacune, notre idée clé est de reformuler la génération CAO comme un problème d'apprentissage séquence-à-séquence où les primitives vectorielles des dessins informent directement la génération d'opérations CAO paramétriques, préservant ainsi la précision géométrique et l'intention de conception tout au long du processus de transformation. Nous proposons Drawing2CAD, un cadre comprenant trois composants techniques clés : une représentation des primitives vectorielles adaptée aux réseaux de neurones qui préserve les informations géométriques précises, une architecture transformer à double décodeur qui découple la génération des types de commandes et des paramètres tout en maintenant une correspondance précise, et une fonction de perte basée sur une distribution cible souple prenant en compte la flexibilité inhérente des paramètres CAO. Pour entraîner et évaluer Drawing2CAD, nous créons CAD-VGDrawing, un ensemble de données associant des dessins techniques à des modèles CAO paramétriques, et menons des expériences approfondies pour démontrer l'efficacité de notre méthode. Le code et l'ensemble de données sont disponibles à l'adresse 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.