HiFi-BRep: 강건한 B-Rep 생성을 위한 고충실도 잠재 표현

초록

경계 표현(B-Rep) 생성은 컴퓨터 지원 설계(CAD)의 기본 작업이지만, 고충실도 및 구조적으로 유효한 B-Rep의 직접 합성은 여전히 주요 과제로 남아 있다. 기존의 딥 생성 방법은 두 가지 형태의 취약성을 겪는다: 잠재 공간에서 패딩 노이즈와 특성 오염으로 인한 표현 취약성, 그리고 순차적 오류 전파와 비미분 가능 타당성 강제로 인한 학습-추론 불일치에서 비롯된 생성 취약성이다. 우리는 이러한 한계를 두 가지 상호 보완적 기여를 통해 해결하는 새로운 프레임워크인 HiFi-BRep을 제안한다. 첫째, 토폴로지 인식 인코더는 학습 가능한 쿼리를 통해 패딩을 제거하고 토폴로지 유도 어텐션으로 특성 오염을 방지하여 고충실도 잠재 표현을 구축한다. 둘째, 단일 단계 디코더는 기하학과 토폴로지를 병렬로 동시에 예측하며, 핵심 다양체 제약 조건을 미분 가능한 학습 목표로 내장한다. 이 설계는 기하학과 토폴로지 간의 상호 유도를 보장하면서 연쇄 오류를 방지한다. 광범위한 실험을 통해 HiFi-BRep은 구조적 타당성과 기하학적 충실도 모두에서 최첨단 방법을 크게 능가하여 고품질 B-Rep 합성을 위한 강력한 솔루션을 제공함을 보여준다. 코드와 모델은 https://github.com/1nnoh/HiFi-BRep에서 공개적으로 이용 가능하다.

English

Boundary representation (B-Rep) generation is a fundamental task in computer-aided design, yet the direct synthesis of high-fidelity and structurally valid B-Reps remains a major challenge. Existing deep generative methods suffer from two forms of brittleness: representation brittleness, caused by padding noise and feature contamination in the latent space, and generation brittleness, stemming from sequential error propagation and a train-inference mismatch due to non-differentiable validity enforcement. We propose HiFi-BRep, a novel framework that addresses these limitations through two synergistic contributions. First, a topology-aware encoder constructs a high-fidelity latent representation by eliminating padding via learnable queries and preventing feature contamination with topology-guided attention. Second, a single-stage decoder jointly predicts geometry and topology in parallel, embedding core manifold constraints as a differentiable learning objective. This design ensures mutual guidance between geometry and topology while avoiding cascaded errors. Extensive experiments show that HiFi-BRep significantly outperforms state-of-the-art methods in both structural validity and geometric fidelity, providing a robust solution for high-quality B-Rep synthesis. Code and models are publicly available at https://github.com/1nnoh/HiFi-BRep.