DreamCAD: Масштабируемое многомодальное САПР-моделирование с использованием дифференцируемых параметрических поверхностей

DreamCAD: Scaling Multi-modal CAD Generation using Differentiable Parametric Surfaces

March 5, 2026

Авторы: Mohammad Sadil Khan, Muhammad Usama, Rolandos Alexandros Potamias, Didier Stricker, Muhammad Zeshan Afzal, Jiankang Deng, Ismail Elezi

cs.AI

Аннотация

Системы автоматизированного проектирования (САПР) опираются на структурированные и редактируемые геометрические представления, однако существующие генеративные методы ограничены небольшими размеченными наборами данных с явными историями проектирования или метками граничного представления (BRep). В то же время миллионы неразмеченных 3D-сеток остаются неиспользованными, что ограничивает прогресс в масштабируемой генерации САПР. Для решения этой проблемы мы предлагаем DreamCAD — мультимодальную генеративную систему, которая непосредственно создает редактируемые BRep-модели на основе контроля на уровне точек, без САПР-специфичных аннотаций. DreamCAD представляет каждый BRep в виде набора параметрических поверхностей (например, поверхностей Безье) и использует метод дифференцируемой тесселяции для генерации сеток. Это позволяет проводить обучение в крупном масштабе на наборах 3D-данных, одновременно восстанавливая связные и редактируемые поверхности. Кроме того, мы представляем CADCap-1M — крупнейший на сегодняшний день набор данных с описаниями для САПР, содержащий более 1 млн описаний, сгенерированных с помощью GPT-5 для развития исследований в области генерации САПР по тексту. DreamCAD демонстрирует наилучшие результаты на бенчмарках ABC и Objaverse для текстовой, графической и точечной модальностей, улучшая геометрическую точность и превосходя 75% пользовательских предпочтений. Код и набор данных будут общедоступны.

English

Computer-Aided Design (CAD) relies on structured and editable geometric representations, yet existing generative methods are constrained by small annotated datasets with explicit design histories or boundary representation (BRep) labels. Meanwhile, millions of unannotated 3D meshes remain untapped, limiting progress in scalable CAD generation. To address this, we propose DreamCAD, a multi-modal generative framework that directly produces editable BReps from point-level supervision, without CAD-specific annotations. DreamCAD represents each BRep as a set of parametric patches (e.g., Bézier surfaces) and uses a differentiable tessellation method to generate meshes. This enables large-scale training on 3D datasets while reconstructing connected and editable surfaces. Furthermore, we introduce CADCap-1M, the largest CAD captioning dataset to date, with 1M+ descriptions generated using GPT-5 for advancing text-to-CAD research. DreamCAD achieves state-of-the-art performance on ABC and Objaverse benchmarks across text, image, and point modalities, improving geometric fidelity and surpassing 75% user preference. Code and dataset will be publicly available.