Drawing2CAD: Apprendimento Sequenza-a-Sequenza per la Generazione di CAD da Disegni Vettoriali

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

August 26, 2025

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

cs.AI

Abstract

La modellazione generativa assistita da computer (CAD) sta guidando significative innovazioni in ambito industriale. Recenti lavori hanno mostrato progressi notevoli nella creazione di modelli solidi a partire da vari input come nuvole di punti, mesh e descrizioni testuali. Tuttavia, questi metodi divergono fondamentalmente dai flussi di lavoro industriali tradizionali che iniziano con disegni ingegneristici 2D. La generazione automatica di modelli CAD parametrici a partire da questi disegni vettoriali 2D rimane poco esplorata nonostante rappresenti un passaggio cruciale nel design ingegneristico. Per colmare questa lacuna, la nostra intuizione chiave è riformulare la generazione CAD come un problema di apprendimento sequenza-a-sequenza, in cui le primitive dei disegni vettoriali informano direttamente la generazione di operazioni CAD parametriche, preservando la precisione geometrica e l'intento progettuale durante tutto il processo di trasformazione. Proponiamo Drawing2CAD, un framework con tre componenti tecniche chiave: una rappresentazione delle primitive vettoriali compatibile con le reti neurali che preserva le informazioni geometriche precise, un'architettura transformer a doppio decodificatore che disaccoppia la generazione del tipo di comando e dei parametri mantenendo una corrispondenza precisa, e una funzione di perdita con distribuzione di target soft che si adatta alla flessibilità intrinseca dei parametri CAD. Per addestrare e valutare Drawing2CAD, abbiamo creato CAD-VGDrawing, un dataset di disegni ingegneristici e modelli CAD parametrici accoppiati, e condotto esperimenti approfonditi per dimostrare l'efficacia del nostro metodo. Codice e dataset sono disponibili all'indirizzo 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.