Drawing2CAD: Aprendizado Sequência a Sequência para Geração de CAD a partir de Desenhos Vetoriais

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

August 26, 2025

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

cs.AI

Resumo

A modelagem generativa em Design Assistido por Computador (CAD) está impulsionando inovações significativas em aplicações industriais. Trabalhos recentes mostraram progressos notáveis na criação de modelos sólidos a partir de diversas entradas, como nuvens de pontos, malhas e descrições textuais. No entanto, esses métodos divergem fundamentalmente dos fluxos de trabalho industriais tradicionais que começam com desenhos de engenharia 2D. A geração automática de modelos CAD paramétricos a partir desses desenhos vetoriais 2D permanece pouco explorada, apesar de ser uma etapa crítica no design de engenharia. Para abordar essa lacuna, nossa principal percepção é reformular a geração de CAD como um problema de aprendizado sequência a sequência, onde primitivos vetoriais de desenho informam diretamente a geração de operações CAD paramétricas, preservando a precisão geométrica e a intenção de design ao longo do processo de transformação. Propomos o Drawing2CAD, um framework com três componentes técnicos principais: uma representação de primitivos vetoriais amigável à rede que preserva informações geométricas precisas, uma arquitetura transformer de decodificador duplo que desacopla a geração de tipo de comando e parâmetros enquanto mantém correspondência precisa, e uma função de perda de distribuição de alvo suave que acomoda a flexibilidade inerente nos parâmetros CAD. Para treinar e avaliar o Drawing2CAD, criamos o CAD-VGDrawing, um conjunto de dados de desenhos de engenharia emparelhados com modelos CAD paramétricos, e conduzimos experimentos detalhados para demonstrar a eficácia do nosso método. O código e o conjunto de dados estão disponíveis em 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.