Drawing2CAD: Последовательное обучение для генерации CAD-моделей на основе векторных чертежей

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

August 26, 2025

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

cs.AI

Аннотация

Генеративное моделирование в системах автоматизированного проектирования (САПР) стимулирует значительные инновации в промышленных приложениях. Недавние исследования продемонстрировали впечатляющий прогресс в создании твердотельных моделей из различных входных данных, таких как облака точек, сетки и текстовые описания. Однако эти методы принципиально отличаются от традиционных промышленных процессов, которые начинаются с 2D-инженерных чертежей. Автоматическая генерация параметрических моделей САПР из этих 2D-векторных чертежей остается недостаточно изученной, несмотря на ее критическую важность в инженерном проектировании. Для решения этой проблемы наше ключевое понимание заключается в переосмыслении генерации САПР как задачи последовательностного обучения, где примитивы векторных чертежей напрямую влияют на генерацию параметрических операций САПР, сохраняя геометрическую точность и замысел проектирования на протяжении всего процесса преобразования. Мы предлагаем Drawing2CAD — фреймворк с тремя ключевыми техническими компонентами: сетевым представлением векторных примитивов, сохраняющим точную геометрическую информацию, архитектурой трансформера с двойным декодером, которая разделяет генерацию типа команд и параметров, сохраняя точное соответствие, и функцией потерь с мягким целевым распределением, учитывающим присущую гибкость параметров САПР. Для обучения и оценки Drawing2CAD мы создаем CAD-VGDrawing — набор данных, содержащий парные инженерные чертежи и параметрические модели САПР, и проводим тщательные эксперименты, демонстрирующие эффективность нашего метода. Код и набор данных доступны по адресу 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.