Die Rekonstruktion einer CAD-Form aus anderen Darstellungen ist ein wichtiger Schritt der geometrischen Verarbeitung für viele nachgelagerte Anwendungen. In dieser Arbeit stellen wir eine neuartige neuronale Netzwerkarchitektur vor, die diese anspruchsvolle Aufgabe löst und eine geglättete signierte Distanzfunktion mit einem editierbaren, eingeschränkten, prismatischen CAD-Modell approximiert. Während des Trainings rekonstruiert unsere Methode die Eingabengeometrie im Voxelraum, indem sie die Form in eine Reihe von 2D-Profilbildern und 1D-Umrandungsfunktionen zerlegt. Diese können dann auf differenzierbare Weise rekombiniert werden, was es ermöglicht, eine geometrische Verlustfunktion zu definieren. Während der Inferenz erhalten wir die CAD-Daten, indem wir zunächst eine Datenbank von 2D-eingeschränkten Skizzen durchsuchen, um Kurven zu finden, die den Profilbildern nahekommen. Anschließend extrudieren wir diese Kurven und verwenden boolesche Operationen, um das endgültige CAD-Modell zu erstellen. Unsere Methode approximiert die Zielform genauer als andere Methoden und erzeugt hochgradig editierbare eingeschränkte parametrische Skizzen, die mit bestehender CAD-Software kompatibel sind.