本文介绍了一种名为 BRepNet 的神经网络结构，可以直接针对 B-rep 数据结构进行操作，避免了将模型近似为网格或点云的需要，并给出了一个超过 35,000 个由 “建模操作” 注释的 B-rep 模型的数据集。我们证明了 BRepNet 可以比在网格和点云上工作的方法更准确地进行分割。

Apr, 2021

综合建模几何原语的链复形，可精确重建 CAD B-Rep 模型，提出一个新的神经网络框架来推测几何原语之间的关系，并通过全局最大化似然性和几何优化方法恢复一个确定的 B-Rep 链复形，实验表明，该模型比以前的结果更加准确和完整

May, 2022

我们介绍了一个新的生成模型，它将潜在扩散与持续同调相结合，以创建具有高多样性的 3D 形状，重点关注它们的拓扑特征。

Jan, 2024

UV-Net 是一种采用 U 和 V 参数模型几何的边界表示数据的神经网络架构，它还使用图卷积神经网络显式地建模拓扑结构，并在 CAD 建模、制造、机器学习等领域得到应用，并可以优于其他 3D 形状表示方法，如点云、体素和网格。

Jun, 2020

我们介绍了一种新的方法来获取 3D CAD 模型的边界表示（B-Reps），这涉及两个步骤：首先应用空间划分，称为 ``拆分 ''，然后通过`` 拟合 '' 操作在每个划分内导出一个单一的基元。我们的划分旨在产生一组地面真值（GT）B-Rep 基元的经典的 Voronoi 图；我们的方法采用自上而下的结构感知方式，能够明确显示基元的数量和连接关系。我们设计了一个神经网络，通过二进制分类从输入点云或距离场预测 Voronoi 图。我们展示了我们的网络 NVD-Net（神经 Voronoi 图）可以有效地从训练数据学习 CAD 模型的 Voronoi 划分，并具有更好的泛化能力。广泛的实验和评估表明，与现有的替代方法相比，所得到的由参数曲面，曲线和顶点组成的 B-Reps 更加合理，重建质量有了显著的提高。代码将在此 https URL 上发布。

Jun, 2024

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

该论文提出了一个用于生成结构组件设计的框架，利用潜在扩散模型生成满足一系列问题特定加载条件的潜在设计，从而具有编辑现有设计的优势。通过使用结构拓扑优化得到的几何数据集进行训练，我们的框架生成了近乎最优的设计，并提供了定量结果支持生成设计的结构性能和潜在候选设计的变化性，以及框架的可扩展性的证据。此框架可用作生成类似拓扑优化设计的新近乎最优设计的起点。

Sep, 2023

BlockFusion 是一种扩展三维场景的扩散模型，通过三维场景网格的剪裁和特征提取，在潜在三平面空间中进行扩散操作，从而生成高质量、多样化的三维场景。

Jan, 2024

通过建立基于双曲几何的可解释度度量的几何潜变空间，使用径向和角度几何特性约束的几何潜变过程，HypDiff 框架能有效地捕捉和保留图的拓扑信息，并在各种拓扑结构的图生成中表现出卓越的效果。

May, 2024

PolyDiff 是第一个能够直接生成逼真且多样化的三维多边形网格的扩散式方法。通过在多边形网格数据结构上本地化进行离散去噪扩散概率建模，我们能够学习顶点的几何特性和面的拓扑特性，从而生成高质量的三维多边形网格，适用于后续的三维工作流集成。

Dec, 2023