Hierarchische neuronale Kodierung für steuerbare CAD-Modellgenerierung

Dieses Papier stellt ein neues generatives Modell für Computer-Aided Design (CAD) vor, das 1) hochrangige Designkonzepte eines CAD-Modells als dreistufige hierarchische Baumstruktur neuronaler Codes dar, von der globalen Teileanordnung bis hin zur lokalen Kurvengeometrie; und 2) die Generierung oder Vervollständigung von CAD-Modellen durch die Spezifizierung des Zieldesigns mittels eines Codebaums steuert. Konkret extrahiert eine neuartige Variante eines vektorquantisierten VAE mit "maskierten Skip-Verbindungen" Designvariationen als neuronale Codebücher auf drei Ebenen. Zweistufige kaskadierte autoregressive Transformer lernen, Codebäume aus unvollständigen CAD-Modellen zu generieren und diese dann gemäß dem gewünschten Design zu vervollständigen. Umfangreiche Experimente zeigen eine überlegene Leistung bei konventionellen Aufgaben wie zufälliger Generierung und ermöglichen gleichzeitig neue Interaktionsfähigkeiten bei bedingten Generierungsaufgaben. Der Quellcode ist unter https://github.com/samxuxiang/hnc-cad verfügbar.