提出了一种名为 ContrastCAD 的新型对比学习方法，能够有效地捕捉 CAD 模型构造序列中的语义信息。实验证明，该方法在训练不平衡的 CAD 数据集时，通过提出的 CAD 数据增强方法 RRE 显著增强了 Transformer-based 自编码器的学习表现，并且对于具有非常长的构造序列的复杂 CAD 模型也能够表现出鲁棒性。

Apr, 2024

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

基于 CAD 模型基元从 RGB 图像中感知 3D 结构可以有效地实现基于三维物体的场景表示，本文提出了 DiffCAD，这是一种第一个弱监督的条件生成方法，可以从 RGB 图像中检索和对齐 CAD 模型，通过扩散学习隐式概率模型来捕捉 CAD 对象在图像中的形状、姿态和尺度，实现了多个假设生成和对深度 / 尺度和形状匹配的歧义进行建模。

Nov, 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

为支持机械部件重新设计的初步案例检索，本文提出了一种基于文本描述的机械部件形状检索模型 ——text2shape 深度检索模型，其中应用特征工程来确定目标机械部件的关键结构特征，并建立了一个文本描述和对应三维形状的训练集，最终测试表明模型的最高精度可以达到 0.98。

Feb, 2023

提出了一种新的算法，用于检索与待设计神经结构相似的已存在的神经结构，并引入分层对比学习实现准确定义，它在人工设计和合成神经结构的评价中表现出卓越性能，并建立了包含 12000 个真实世界网络结构及其嵌入的数据集。

Jul, 2023

本文提出了一种新颖的计算机辅助设计 (CAD) 的生成模型，通过使用神经编码的三级分层树来表示 CAD 模型的高级设计概念，并且指定目标设计，从而控制 CAD 模型的生成或完成。

Jun, 2023

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

本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习，其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架，可以更好地揭示图像的差异和共性，并跨越不同的图形对进行一致性识别。此方法依赖于具有有效单个图表示的现有图形神经网络，同时启用交叉图和交叉视图互动以增强节点表示的一致性和区分度，并通过汇集操作将节点表示转换为图级表示进行图相似性计算。

May, 2022

本文提出了两个关键性贡献：首先是演示了图神经网络如何训练并嵌入向量空间，以便有效地进行相似性推理；其次是提出了一种新的图匹配网络模型，通过新的跨图注意力匹配机制，在一对图之间共同推理，计算它们之间的相似度得分。在不同领域的实验分析表明，本文提出的模型不仅能够在相似性学习的上下文中利用结构，而且能够优于针对此类问题精心设计的基线系统。

Apr, 2019