BrepGen: 结构化潜在几何体的 B-Rep 生成扩散模型
内容提要
本文综述了CAD与三维形状生成及表示学习的进展。BRepNet直接处理B-rep数据，分割更准确；链复形方法可精确重建B-Rep；UV-Net结合参数与拓扑信息；区域图网络提升逆向建模效果；扩散模型应用于结构设计，其中PolyDiff生成网格、Surf-D生成任意拓扑表面、四面体网格扩散生成细节；Transformer模型可自动生成CAD形状并公开数据集；SB-GCN用于预测装配约束。
延伸解读
B-Rep 直接处理与数据集价值
BRepNet 直接操作 B-rep 数据结构，避免了网格或点云近似带来的信息损失，在分割任务上更准确。其发布的超过 35,000 个带建模操作注释的 B-rep 模型数据集，为后续研究提供了重要基准，也说明直接利用边界表示进行深度学习是可行且有效的方向。
扩散模型在几何生成中的多样化应用
扩散模型已被用于多种几何生成任务：PolyDiff 直接生成多边形网格，Surf-D 借助 UDF 表示生成任意拓扑表面，四面体网格扩散则生成带细粒度细节的 3D 网格。这些工作表明扩散模型能适应不同表示形式，但各自针对的几何类型和输出格式不同，选择时需考虑具体应用需求。
CAD 逆向建模与装配约束的智能方法
区域图与图神经网络结合提升了逆向建模的几何重构精度和速度，并能生成更合理的建模序列；SB-GCN 则用于预测装配中的 mates 关系，且与商业 CAD 系统兼容。这些方法显示图神经网络在处理 CAD 拓扑和约束关系方面具有潜力，但实际部署仍需考虑与现有系统的集成。
Q&A
BRepNet 是什么？它有什么优势？
BRepNet 是一种可以直接处理 B-rep 数据结构的神经网络，避免了将模型近似为网格或点云的需要。它提供了一个超过 35,000 个由建模操作注释的 B-rep 模型数据集，并且比在网格和点云上工作的方法更准确地进行分割。
UV-Net 如何结合参数和拓扑信息？
UV-Net 是一种采用 U 和 V 参数模型几何的边界表示数据的神经网络架构，它还使用图卷积神经网络显式地建模拓扑结构，并在 CAD 建模、制造、机器学习等领域得到应用，可以优于其他 3D 形状表示方法，如点云、体素和网格。
PolyDiff 是什么？它有什么特点？
PolyDiff 是第一个能够直接生成逼真且多样化的三维多边形网格的扩散式方法。通过在多边形网格数据结构上本地化进行离散去噪扩散概率建模，学习顶点的几何特性和面的拓扑特性，从而生成高质量的三维多边形网格，适用于后续的三维工作流集成。
Surf-D 方法如何生成高质量三维形状表面？
Surf-D 使用扩散模型在任意拓扑结构上生成高质量三维形状表面。它采用无符号距离场（UDF）作为表面表示，能够处理任意拓扑结构并生成复杂形状。通过点云自编码器学习紧凑的潜在空间，并使用梯度查询来捕捉详细几何信息，结合课程学习策略提高嵌入过程的效率。使用预训练的形状潜变空间，采用潜变扩散模型获取各种形状的分布，并在多种模式下展示出出色的形状生成性能。
基于 Transformer 的 CAD 生成模型有什么贡献？
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。
SB-GCN 在装配建模中有什么作用？
该研究提出了一种基于边界表示 (BREPs) 的装配建模方法，使用 SB-GCN 进行表征学习，以预测 CAD 类型的 mates 关系，并显示该模型与商业 CAD 系统的兼容性。
