Drawing2CAD: Sequence-to-Sequence Learning voor CAD-generatie vanuit vectortekeningen

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

August 26, 2025

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

cs.AI

Samenvatting

Computer-Aided Design (CAD) generatieve modellering drijft belangrijke innovaties aan in industriële toepassingen. Recente werken hebben opmerkelijke vooruitgang getoond in het creëren van solide modellen vanuit diverse invoeren zoals puntenwolken, meshes en tekstbeschrijvingen. Deze methoden wijken echter fundamenteel af van traditionele industriële workflows die beginnen met 2D technische tekeningen. De automatische generatie van parametrische CAD-modellen vanuit deze 2D vectortekeningen blijft onderbelicht, ondanks dat het een cruciale stap is in het ontwerpproces van engineering. Om deze kloof te overbruggen, is onze belangrijkste inzicht om CAD-generatie te herformuleren als een sequence-to-sequence leerprobleem, waarbij vectortekening-primitieven direct de generatie van parametrische CAD-bewerkingen informeren, waardoor geometrische precisie en ontwerpintentie behouden blijven gedurende het transformatieproces. Wij stellen Drawing2CAD voor, een raamwerk met drie belangrijke technische componenten: een netwerkvriendelijke vectorprimitief-representatie die precieze geometrische informatie behoudt, een dual-decoder transformer-architectuur die het genereren van commando-type en parameters ontkoppelt terwijl precieze correspondentie wordt gehandhaafd, en een soft target distributie verliesfunctie die inherente flexibiliteit in CAD-parameters accommodeert. Om Drawing2CAD te trainen en evalueren, hebben we CAD-VGDrawing gecreëerd, een dataset van gepaarde technische tekeningen en parametrische CAD-modellen, en uitgebreide experimenten uitgevoerd om de effectiviteit van onze methode aan te tonen. Code en dataset zijn beschikbaar op 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.