提出了基于 Transformer 的 CAD 生成模型，能够自动编码和随机生成 3D 形状，为此创建了一个包含 178,238 个模型的 CAD 数据集，并公开该数据集以促进未来的研究。

May, 2021

几何深度学习在计算机辅助设计领域具有革命性的能力，通过利用基于机器学习的方法，CAD 设计师能够优化其工作流程，节省时间和精力，做出更明智的决策，并创造出创新且实用的设计。这篇综述提供了计算机辅助设计领域中基于学习的方法的全面概述，包括相似性分析和检索、2D 和 3D CAD 模型合成以及基于点云的 CAD 生成。此外，它还提供了完整的基准数据集及其特征，以及推动该领域研究的开源代码。最后的讨论涉及该领域面临的挑战，以及未来潜在的研究方向。

Feb, 2024

介绍了针对大规模非分类 3D CAD 模型的深度聚类算法的基准测试和评估工作。使用七种基准深度聚类方法，提出了一种新颖且可行的基于集成的聚类比较方法，以解决非分类数据的聚类方法评估所面临的挑战。这项工作是首次直接针对用于 3D 形状的深度聚类算法的未开发领域，我们相信这将成为分析和利用正在出现的大规模 3D 形状收藏的重要基础。

Apr, 2024

通过增加合成训练数据，使得含有 3D CAD 模型的深度卷积神经网络（DCNN）训练数据可以更好地适应目标领域，本文详细分析了在没有低级线索（纹理，姿态和背景）的情况下 DCNN 的学习能力，并表明我们的合成 DCNN 训练方法在几乎没有真实数据的情况下可以在 PASCAL VOC2007 数据集上获得更好的性能，并且可以在 Office 基准测试中的域偏移场景中提高性能。

Dec, 2014

CAPRI-Net 是一种神经网络，可以通过自适应基元装配体的形式来学习三维计算机辅助设计模型的紧凑且可解释的隐式表示，可对提供为点云或体素网格的输入 3D 形状进行重构并通过构造实体几何 (CSG) 运算来获得齐次组合，该网络通过重建损失进行自监督，而不需要任何真实的形状装配。

Apr, 2021

本文介绍 Fusion 360 Gallery 数据集及 Fusion 360 Gym 环境，前者包含 8,625 个人类设计序列，后者将 CAD 程序的构建过程转化为马尔可夫决策过程，以便机器学习的研究。作者使用神经引导搜索等先进技术，应用数据集和环境进行 CAD 重构，取得了良好成果。

Oct, 2020

该论文介绍了一个公共数据集，其中包含了 140 万个以参数方式表示的、程序生成的自行车设计，以 JSON 文件和栅格化图像形式提供。该数据集的创建依赖于一个渲染引擎，该引擎利用 BikeCAD 软件从参数化设计生成矢量图形。论文讨论了这个渲染引擎，并与数据集一起公开发布。尽管该数据集有众多应用，主要动机之一是需要训练参数化和基于图像的设计表示之间的交叉模态预测模型。例如，我们演示了可以训练预测模型，直接从参数化表示准确估计 Contrastive Language-Image Pretraining (CLIP) 嵌入。这样可以建立参数化自行车设计与文本字符串或参考图像之间的相似性关系。已公开发布了训练好的预测模型。该数据集是 BIKED 数据集系列的一部分，包括数千个混合表示的人工设计自行车模型和几个量化设计性能的数据集。代码和数据集可以在 this https URL 找到。

Feb, 2024

基于 CAD 模型基元从 RGB 图像中感知 3D 结构可以有效地实现基于三维物体的场景表示，本文提出了 DiffCAD，这是一种第一个弱监督的条件生成方法，可以从 RGB 图像中检索和对齐 CAD 模型，通过扩散学习隐式概率模型来捕捉 CAD 对象在图像中的形状、姿态和尺度，实现了多个假设生成和对深度 / 尺度和形状匹配的歧义进行建模。

Nov, 2023

从点云重建计算机辅助设计（CAD）模型，结合计算机视觉、图形学和机器学习的重要问题。通过分析当前艺术状态并提出混合分析 - 神经重建方案，桥接分割的点云和结构化的 CAD 模型，借助新颖的隐式神经表示法提高表面拟合阶段的性能，达到了新的与该数据集的最新技术水平。

Dec, 2023

介绍 Amazon Berkeley Objects（ABO）数据集，旨在填补真实和虚拟 3D 世界之间的差距，并衡量了当前最先进技术在单视角 3D 重建、材料估计和跨域多视角物体检索等三个问题上的限制。

Oct, 2021