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

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

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

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

本文介绍了 SIGNet，这是一个新的框架，可以提供强大的几何感知，而无需几何信息的标签，SIGNet 通过使用语义信息来使深度和流的预测与物体一致，并使其在低照条件下具有稳健性。SIGNet 在深度预测方面比最先进的无监督学习方法提高了 30％。

Dec, 2018

基于观察到 CAD 模型表面通常由分段曲面补丁组成，每个补丁都大致可展平，我们提出了一种名为 NeurCADRecon 的自我监督方法，其损失函数包括一个促进高斯曲率趋近于 0 且保持输入点一致性的可展平项。我们的方法能够从神经 SDF 中清晰地提取尖锐特征点 / 线，并将其分解为光滑曲面补丁，极大地降低了恢复参数化 CAD 设计的难度。与现有的最先进方法进行了全面比较，证明了我们方法在重建忠实的 CAD 形状方面的显著优势。

Apr, 2024

提出了一种基于图神经网络的自监督对比学习方法，用于机械 CAD 检索，可以直接建模参数化 CAD 原始文件，提高检索准确性和效率。

Jun, 2024

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

提出一种自动高效的 3D 目标重建方法，利用先验 CAD 模型，通过本文贡献的局部隐式形状模型（LISM）的对象检测方法，可从小型或大型（125m³）物体上高精度重建。

May, 2017

本文提出了一种基于草图的 CAD 建模系统，通过深度神经网络对 CAD 操作进行识别，以解决解析二维草图模糊不清的问题，并使用合成的 CAD 操作序列进行训练。实验表明，该系统可以快速创建各种不同的对象，是一种与现有 CAD 建模系统交互的替代方式。

Sep, 2020