NURBGen: Hoogfideliteit Tekst-naar-CAD Generatie via LLM-gestuurde NURBS Modellering

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

November 9, 2025

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

cs.AI

Samenvatting

Het genereren van bewerkbare 3D CAD-modellen op basis van natuurlijke taal blijft een uitdaging, omdat bestaande tekst-naar-CAD-systemen ofwel meshes produceren of afhankelijk zijn van schaarse ontwerpgeschiedenisdata. Wij presenteren NURBGen, het eerste framework dat hoogfidèle 3D CAD-modellen direct vanuit tekst genereert met behulp van Non-Uniform Rational B-Splines (NURBS). Om dit te bereiken, fine-tunen we een groot taalmodel (LLM) om vrije tekst te vertalen naar JSON-representaties die NURBS-oppervlakparameters bevatten (d.w.z. controlepunten, knot-vectoren, graden en rationale gewichten), welke direct kunnen worden omgezet naar BRep-formaat met Python. Wij introduceren verder een hybride representatie die ongetrimde NURBS combineert met analytische primitieven om getrimde oppervlakken en gedegenereerde regio's robuuster te verwerken, terwijl de tokencomplexiteit wordt verminderd. Daarnaast introduceren we partABC, een gecureerde subset van de ABC-dataset bestaande uit individuele CAD-componenten, geannoteerd met gedetailleerde bijschriften via een geautomatiseerd annotatiepijplijn. NURBGen toont sterke prestaties op diverse prompts en overtreft eerdere methoden in geometrische fideliteit en dimensionale nauwkeurigheid, zoals bevestigd door expertbeoordelingen. Code en dataset zullen openbaar worden vrijgegeven.

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.