Nomi Yu Md Ferdous Alam A. John Hart Faez Ahmed

Abstract

CAD-Programme, die als parametrische Befehlssequenzen strukturiert sind und zu präzisen 3D-Geometrien kompiliert werden, sind für genaue und effiziente ingenieurwissenschaftliche Entwurfsprozesse von zentraler Bedeutung. Die Generierung solcher Programme aus nicht-parametrischen Daten wie Punktwolken und Meshes bleibt eine entscheidende, jedoch herausfordernde Aufgabe, die typischerweise umfangreiche manuelle Eingriffe erfordert. Aktuelle tiefgreifende generative Modelle zur Automatisierung der CAD-Generierung sind erheblich durch unbalancierte und zu kleine Datensätze eingeschränkt, insbesondere solche, die eine ausreichende Repräsentation komplexer CAD-Programme fehlen lassen. Um dieses Problem anzugehen, stellen wir GenCAD-3D vor, einen multimodalen generativen Rahmen, der kontrastives Lernen nutzt, um latente Embeddings zwischen CAD- und geometrischen Encodern zu alignieren, kombiniert mit latenten Diffusionsmodellen zur Generierung und Recherche von CAD-Sequenzen. Zudem präsentieren wir SynthBal, eine synthetische Datenverstärkungstrategie, die speziell darauf abzielt, Datensätze auszugleichen und zu erweitern, wodurch insbesondere die Repräsentation komplexer CAD-Geometrien deutlich verbessert wird. Unsere Experimente zeigen, dass SynthBal die Rekonstruktionsgenauigkeit erheblich steigert, die Generierung ungültiger CAD-Modelle reduziert und die Leistung bei hochkomplexen Geometrien deutlich verbessert – übersteigend dabei bestehende Benchmarks. Diese Fortschritte haben erhebliche Implikationen für die Vereinfachung des Reverse Engineering und die Steigerung der Automatisierung im ingenieurwissenschaftlichen Entwurf. Wir werden unsere Datensätze und den Quellcode öffentlich zugänglich machen, darunter eine Sammlung von 51 3D-gedruckten und laser-gescannten Teilen, die auf unserer Projektseite verfügbar sind.