本研究提出了一种基于深度学习的YOLO架构的对象检测框架，以解决现实世界数字建筑平面图形符号差异和噪声问题，并基于图块的训练策略有效解决了符号较小与整个平面图比例不协调等问题，实验证明该方法能成功检测出具有低类内相似性和可变图形复杂度的建筑符号。

Jun, 2020

本文介绍了一种机器学习模型，该模型能够自动生成CAD模型中最具挑战性的2D草图，并为开发可帮助工程师更轻松创建更好的设计的智能工具铺平了道路。该方法结合了通用语言模型技术和现成的数据序列化协议，适应了领域的复杂性，并在无条件合成和图像转换为草图方面表现出良好的性能。

May, 2021

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

本文提出了一个终端到终端的框架来恢复低质量的工程图纸，并识别其上的图形符号，利用统计学的灰度共现矩阵对工程图纸修复补全，使用改进版的超分辨率生成对抗网络（ESRGAN）模型和改进版的基于区域的卷积神经网络（Faster R-CNN）模型分别改善两种类型的补丁质量，并提出多阶段任务驱动的协作学习策略来训练模型，以实现图形符号的识别。通过在真实世界的电气图表上进行实验，结果表明该框架的准确率为98.98%，召回率为99.33%，证明其优于之前的方法。此外，该框架已集成到广泛使用的电力系统软件应用中以展示其实用性。

Dec, 2023

该研究探讨了全局符号定位问题，即如何从计算机辅助设计绘图中找到和解析可数的物体实例（窗户、门、桌子等）和不可数的材料（墙壁、栏杆等）。研究采用了点云分割方法，将图形基元视为一组局部连接的二维点，并利用点变换器提取基元特征，并附加类似于mask2former的定位头来进行最终输出预测。另外，为了更好地利用基元的局部连接信息并增强其可区分性，研究还提出了关联模块（ACM）和对比连接学习方案（CCL）。该方法被命名为SymPoint，简单而有效，在FloorPlanCAD数据集上相较于最先进方法GAT-CADNet提高了9.6％的PQ和10.4％的RQ。

Jan, 2024

给定一个三维扫描的物理对象，CAD-SIGNet模型通过层间交叉注意力和新的SGA模块，能够恢复CAD模型的设计历史，并提供多种可能的设计选择，从而实现交互式逆向工程。在公开的CAD数据集上进行的实验表明，该方法在完整设计历史恢复和条件自动完成两个方面的效果优于现有的基准模型。

Feb, 2024

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

使用深度学习方法将设计图纸转换为数字格式，以解决其在实体形式下的维护、存档和使用的困难，并通过对象检测模型、边缘检测算法、曲线检测技术和光学字符识别工具提高转换的准确性和效率，进而提高组织的生产力、促进协作并方便地保留有价值的设计信息。

Mar, 2024

SymPoint-V2是一种利用点集表示解决CAD图纸上全景符号识别任务的方法，通过引入Layer Feature-Enhanced模块和Position-Guided Training方法，提高了性能和收敛速度。

Jul, 2024

通过自我监督渲染，PICASSO提出了一种从手绘或精确草图图像中进行CAD草图参数化的新框架。该框架利用草图的几何特性作为学习线索，从而实现了即使在参数级别缺乏注释的情况下，也能够从精确或手绘的草图图像中学习参数化CAD草图。

Jul, 2024