NURBGen: Geração de Texto para CAD de Alta Fidelidade por meio de Modelagem NURBS Orientada por LLM

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

November 9, 2025

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

cs.AI

Resumo

A geração de modelos 3D de CAD editáveis a partir de linguagem natural continua a ser um desafio, uma vez que os sistemas texto-para-CAD existentes produzem malhas (meshes) ou dependem de escassos dados de histórico de projeto. Apresentamos o NURBGen, o primeiro framework para gerar modelos 3D de CAD de alta fidelidade diretamente a partir de texto, utilizando B-Splines Racionais Não Uniformes (NURBS). Para alcançar este objetivo, fine-tunamos um Large Language Model (LLM) para traduzir textos de forma livre em representações JSON que contêm parâmetros de superfície NURBS (ou seja, pontos de controlo, vetores de nós, graus e pesos racionais), os quais podem ser convertidos diretamente para o formato BRep usando Python. Propomos ainda uma representação híbrida que combina NURBS não aparadas com primitivas analíticas para lidar de forma mais robusta com superfícies aparadas e regiões degeneradas, ao mesmo tempo que reduz a complexidade de tokens. Adicionalmente, introduzimos o partABC, um subconjunto curado do conjunto de dados ABC composto por componentes individuais de CAD, anotados com legendas detalhadas através de um pipeline de anotação automatizado. O NURBGen demonstra um forte desempenho em prompts diversos, superando métodos anteriores em fidelidade geométrica e precisão dimensional, conforme confirmado por avaliações de especialistas. O código e o conjunto de dados serão disponibilizados publicamente.

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.