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

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

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

使用基于变换器架构的生成模型 SketchGen 来处理计算机辅助设计中基本段和约束的异构性问题，并证明其在生成完整标志和预测给定图案的约束方面明显优于目前的状态 - of-the-art 模型。

Jun, 2021

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

AR/VR 发展迅速，对 3D 内容需求巨大。本研究提出一种基于手绘草图的 3D 建模方法，使用单个手绘草图生成高保真内容，无需多个视图或步骤。采用端到端方法，引入轻量级生成网络和结构感知对抗训练，并通过 Stroke Enhancement Module（SEM）捕捉结构信息，提升性能。实验证明该方法在合成和真实数据集上具有最先进的性能。

Sep, 2023

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

本文提出一种基于生成建模的参数化 CAD 设计方法，利用机器学习技术，实现自动补全、约束推断和条件合成功能，支持部分作图和手绘图像匹配，并能够在机械设计工作流中发挥重要的作用。

Sep, 2021

使用大型语言模型的 Query2CAD 框架通过多次迭代和细化，生成 CAD 设计的可执行宏，并且在自我细化循环中进行 CAD 模型的生成和优化，实现 53.6% 的成功率，并通过不断的迭代对 CAD 设计进行了进一步的改进。

May, 2024

本文介绍 Fusion 360 Gallery 数据集及 Fusion 360 Gym 环境，前者包含 8,625 个人类设计序列，后者将 CAD 程序的构建过程转化为马尔可夫决策过程，以便机器学习的研究。作者使用神经引导搜索等先进技术，应用数据集和环境进行 CAD 重构，取得了良好成果。

Oct, 2020