La rétro-ingénierie d'une forme CAD à partir d'autres représentations est une étape importante du traitement géométrique pour de nombreuses applications en aval. Dans ce travail, nous introduisons une nouvelle architecture de réseau neuronal pour résoudre cette tâche complexe et approcher une fonction de distance signée lissée avec un modèle CAD prismatique éditable et contraint. Lors de l'entraînement, notre méthode reconstruit la géométrie d'entrée dans l'espace voxel en décomposant la forme en une série d'images de profil 2D et de fonctions enveloppe 1D. Ces éléments peuvent ensuite être recombinés de manière différentiable, permettant ainsi de définir une fonction de perte géométrique. Lors de l'inférence, nous obtenons les données CAD en recherchant dans une base de données de croquis contraints 2D des courbes qui approximent les images de profil, puis en les extrudant et en utilisant des opérations booléennes pour construire le modèle CAD final. Notre méthode approche plus étroitement la forme cible que les autres méthodes et produit des croquis paramétriques contraints hautement éditables, compatibles avec les logiciels CAD existants.