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

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

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

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

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

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

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

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