CADプログラムは、パラメトリックなコマンドの順序として構造化され、正確な3D幾何形状にコンパイルされるため、精度と効率性を兼ね備えたエンジニアリング設計プロセスの基盤となっている。点群やメッシュといった非パラメトリックなデータからこれらのプログラムを生成することは、依然として極めて重要かつ困難な課題であり、通常は膨大な手動作業を要する。現在の深層生成モデルは、特に複雑なCADプログラムの表現が不足していることから、バランスの取れておらず、規模も十分でないデータセットという点で著しく制限されている。こうした課題に対処するため、本研究では、CADエンコーダーと幾何エンコーダー間の潜在表現をコントラスト学習により統合するマルチモーダル生成フレームワーク「GenCAD-3D」を提案する。さらに、潜在拡散モデルを用いてCADシーケンスの生成と検索を実現している。また、複雑なCAD幾何形状の表現を特に強化することを目的とした、合成データ拡張戦略「SynthBal」を提示する。実験の結果、SynthBalは再構成精度を顕著に向上させ、無効なCADモデルの生成を低減し、高複雑度の形状に対する性能を大幅に改善し、既存のベンチマークを上回ることが明らかになった。これらの進展は、リバースエンジニアリングの効率化およびエンジニアリング設計の自動化の促進に大きな意味を持つ。本研究では、プロジェクトサイトにて51点の3Dプリントおよびレーザースキャンされた部品を含むデータセットとコードを公開する予定である。