NURBGen: Generazione di CAD ad Alta Fedeltà da Testo tramite Modellazione NURBS Guidata da LLM

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

November 9, 2025

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

cs.AI

Abstract

La generazione di modelli CAD 3D modificabili a partire dal linguaggio naturale rimane una sfida, poiché i sistemi esistenti text-to-CAD producono mesh o si basano su scarsi dati di cronologia di progettazione. Presentiamo NURBGen, il primo framework in grado di generare modelli CAD 3D ad alta fedeltà direttamente dal testo utilizzando B-Spline Razionali Non Uniformi (NURBS). Per ottenere questo risultato, ottimizziamo un modello linguistico di grandi dimensioni (LLM) per tradurre testi in linguaggio libero in rappresentazioni JSON contenenti i parametri delle superfici NURBS (ovvero punti di controllo, vettori nodo, gradi e pesi razionali), che possono essere convertiti direttamente in formato BRep utilizzando Python. Proponiamo inoltre una rappresentazione ibrida che combina NURBS non tagliate con primitive analitiche per gestire in modo più robusto le superfici tagliate e le regioni degeneri, riducendo al contempo la complessità dei token. In aggiunta, introduciamo partABC, un sottoinsieme curato del dataset ABC costituito da singoli componenti CAD, annotati con descrizioni dettagliate mediante una pipeline di annotazione automatizzata. NURBGen dimostra prestazioni solide su prompt diversificati, superando i metodi precedenti in termini di fedeltà geometrica e accuratezza dimensionale, come confermato da valutazioni di esperti. Il codice e il dataset saranno rilasciati pubblicamente.

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.