Nomi Yu Md Ferdous Alam A. John Hart Faez Ahmed

Résumé

Les logiciels de CAO, structurés sous forme de séquences paramétriques d’instructions qui se traduisent en géométries 3D précises, constituent un pilier fondamental des processus de conception ingénierie exacts et efficaces. La génération de ces programmes à partir de données non paramétriques, telles que les nuages de points ou les maillages, demeure une tâche cruciale mais difficile, nécessitant généralement une intervention manuelle importante. Les modèles génératifs profonds actuels visant à automatiser la génération de CAO sont fortement limités par des jeux de données déséquilibrés et insuffisamment volumineux, en particulier ceux manquant de représentation pour des programmes CAO complexes. Pour remédier à ce problème, nous introduisons GenCAD-3D, un cadre génératif multimodal qui utilise l’apprentissage contrastif pour aligner les embeddings latents entre les encodeurs CAO et géométriques, combiné à des modèles de diffusion latente pour la génération et la recherche de séquences CAO. Par ailleurs, nous proposons SynthBal, une stratégie d’augmentation de données synthétiques spécifiquement conçue pour équilibrer et étendre les jeux de données, améliorant notablement la représentation des géométries CAO complexes. Nos expériences montrent que SynthBal améliore significativement la précision de reconstruction, réduit la génération de modèles CAO invalides et améliore nettement les performances sur les géométries à haute complexité, dépassant ainsi les références existantes. Ces progrès ont des implications importantes pour simplifier l’ingénierie inverse et renforcer l’automatisation dans la conception ingénierie. Nous mettrons publiquement à disposition nos jeux de données et notre code source, incluant un ensemble de 51 pièces imprimées en 3D et numérisées par laser sur notre site de projet.