利用多视角图像，我们提出了一种名为 MV2Cyl 的新方法，用于从 2D 多视角图像中重建 3D 物体，不仅作为一个场或原始几何形状，而是作为一种草图提取的 CAD 模型。

Jun, 2024

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

该论文研究了使用无监督学习逆向抽象建模过程，并提出了一个名为 ExtrudeNet 的端到端网络来发现轮廓和挤压体的有效表示形式，以及在网络学习中使用的有符号距离场的数字方法。

Sep, 2022

计算机辅助设计（CAD）模型生成是一项重要任务，提出了一种利用卷积神经网络、多视角池化和基于转换器的 CAD 序列生成器的网络架构，通过大量的模拟输入图片进行训练和优化，成功地从测试图像数据重建有效的 CAD 模型，并表明该网络的一些能力可以迁移到实际照片领域，然而目前可行的模型复杂度仍然受限于基本形状。

Sep, 2023

通过将几何指导引入重建网络中，我们提出了一种名为 PS-CAD 的模型，它逐步重建 CAD 建模序列，并通过提供几何表面的几何信息和平面提示来改进重建的效果。在 DeepCAD 数据集上，PS-CAD 在所有度量指标上都有明显的改进，减少了几何错误（CD 和 HD）约 10%，结构错误（ECD 度量）约 15%。

May, 2024

本文提出了一种新的 3D 生成建模框架，使用 2D 卷积运算从多个视角预测 3D 结构，并联合应用几何推理和 2D 投影优化来高效地生成以密集点云形式呈现的物体形状，并引入伪渲染器来合成优化的新深度图，在单张图像 3D 对象重建任务中表现了优越的形状相似性和预测密度。

Jun, 2017

该研究提出了一种从点云中重建特征 CAD 模型的端到端网络 (P2CADNet)，通过结合点云特征提取器、CAD 序列重构器和参数优化器等模块来实现 CAD 模型的精确重建。实验结果表明 P2CADNet 具有出色的重建质量和准确性，并且是首个从点云重建特征 CAD 模型的端到端网络，可作为未来研究的基线。

Oct, 2023

本文提出了一种新颖的基于 PointNet 架构的深度学习框架，用于在几何形状无规则的区域中进行流场预测，该方法实现了在边界平滑性和小尺度几何变化检测方面的优化，并且能够比传统 CFD 解算器快数百倍且保持较高的准确度。

Oct, 2020

本文提出了一种利用区域图和图神经网络来解决 CAD 建模中 reverse engineering 问题的新方法，实验结果表明，相比于以往使用 CSG with parametric primitives 的方法，我们的方法在几何重构精度和重构时间方面都有明显提升，并且能够生成更加合理的建模序列。

Mar, 2021

使用无监督学习方法，通过中轴变换来捕捉点云的内在几何和拓扑特性，从而产生更为通用的骨架结构，并利用此学习结果可以促进点云的表面重建和分割。

Dec, 2020