La reconstruction de modèles CAD à partir de géométries brutes est un problème de recherche classique mais ardu. Les méthodes précédentes basées sur l'apprentissage dépendent fortement des étiquettes en raison des schémas de conception supervisés ou reconstruisent des formes CAD qui ne sont pas facilement éditables. Dans ce travail, nous présentons SECAD-Net, un réseau neuronal end-to-end conçu pour reconstruire des modèles CAD compacts et faciles à éditer de manière autonome. Nous nous inspirons du langage de modélisation le plus couramment utilisé dans les logiciels CAD modernes pour proposer d'apprendre des esquisses 2D et des paramètres d'extrusion 3D à partir de formes brutes. Chaque esquisse peut être transformée en corps 3D par extrusion d'un plan 2D, générant ainsi un ensemble de cylindres d'extrusion. En intégrant l'opération booléenne (c'est-à-dire l'union), ces cylindres peuvent être combinés pour approximer étroitement la géométrie cible. Nous prônons l'utilisation de champs implicites pour la représentation des esquisses, ce qui permet de créer des variations CAD en interpolant les codes latents dans l'espace latent des esquisses. Des expériences approfondies sur les jeux de données ABC et Fusion 360 démontrent l'efficacité de notre méthode et montrent sa supériorité par rapport aux alternatives les plus avancées, y compris la méthode supervisée la plus proche pour la reconstruction CAD. Nous appliquons également notre approche à l'édition CAD et à la reconstruction CAD mono-vue. Le code est disponible sur https://github.com/BunnySoCrazy/SECAD-Net.