MiCADangelo: Fine-Grained Reconstruction of Constrained CAD Models from 3D Scans¶

会议: NeurIPS 2025
arXiv: 2510.23429
代码: 无
领域: 3D 视觉 / CAD 逆向工程 / 参数化重建
关键词: CAD 逆向工程, 草图约束, 截面切片, 可微拉伸优化, 参数化建模

一句话总结¶

MiCADangelo 模拟人类 CAD 设计师的逆向工程流程，通过多平面截面分析提取 2D 模式，预测带约束的参数化草图并优化拉伸参数，首次在 3D CAD 逆向工程中实现了包含草图约束的完整参数化模型重建。

研究背景与动机¶

CAD 逆向工程——将 3D 扫描（网格）转换为参数化 CAD 模型——是制造和产品开发中的关键步骤。现有深度学习方法分为两类，各有明显不足：

自底向上方法（如 Point2Cyl）：从几何出发预测各个拉伸体，能保留局部细节，但输出不完全参数化，无法无缝集成到 CAD 软件中

自顶向下方法（如 CAD-SIGNet）：直接从点云预测草图-拉伸序列参数，输出完全参数化，但常被大尺度结构主导，丢失细粒度几何细节

更关键的是，现有方法完全忽略了草图约束（如平行、垂直、相切等），而约束是 CAD 建模的核心——它决定了模型在修改时如何保持设计意图。

作者观察到人类设计师的逆向工程工作流：提取 2D 截面 → 用参数曲线重建轮廓并施加约束 → 拉伸成 3D 实体。MiCADangelo 正是自动化了这一过程。

方法详解¶

整体框架¶

给定输入 3D 网格 \(\mathbf{M}\)，MiCADangelo 依次执行三个阶段： 1. 草图平面检测：沿 x/y/z 轴均匀采样截面平面，识别关键截面 2. 约束草图参数化：对关键截面中的闭合环路预测参数化草图原语和约束 3. 可微拉伸优化：对每个草图优化拉伸参数以最佳拟合输入网格

关键设计¶

草图平面检测网络：沿三个轴各采样 \(N\) 个等间距平面（默认每轴 40 个），得到截面切片 \(\{\mathcal{S}_i\}_{i=1}^N\)。每个切片被投影为二值图像 \(\mathbf{X}_i \in \{0,1\}^{128 \times 128}\)，通过 ResNet34 编码器提取特征，再添加三种上下文嵌入（位置索引、轴标识、归一化参数），送入 4 层 4 头 Transformer 编码器进行全局交互。最终用二元分类器预测每个切片是否为关键草图平面。
约束草图参数化网络：关键截面中的每个闭合环路被渲染为二值图像，经 ResNet34 编码后送入 Transformer 编码器-解码器，预测 \(n_p\) 个草图原语的嵌入。然后分两个头：
- 参数化头：预测原语类型（线段/圆/弧）及其几何参数（起终点、中心、半径等）
- 约束预测头：预测原语间的 13 种约束类型（重合、同心、相等、水平、垂直、平行、垂直、相切等）

在量化空间中操作，先在 SketchGraphs 数据集上训练，再在合成噪声闭合环路图像上微调。

可微拉伸优化：对每个草图 \(\mathcal{K}_j\)，沿环路边界采样锚点 \(\{\mathbf{r}_k\}\)，共享可学习拉伸长度 \(h_j\)，生成拉伸向量 \(\rho_k = \mathbf{r}_k + h_j \mathbf{v}_j\)。在网格上采样点 \(\mathcal{Q}\)，最小化点到最近拉伸向量的距离： \(\mathcal{L}_{extr} = \frac{1}{n_M} \sum_{l=1}^{n_M} d(\mathbf{q}_l, \rho_{min})^2 + \lambda \sum_{i,j} h_j^2\) 拉伸类型（新建/切割）由环路的嵌套层级决定（最外层为新建，交替切换）。

损失函数 / 训练策略¶

草图平面检测：二元交叉熵损失，在 DeepCAD 训练集上训练 20 epochs，学习率 \(10^{-4}\)
草图参数化：在 SketchGraphs 上预训练，再在合成噪声闭合环路上微调 50 epochs
拉伸优化：200 次梯度下降迭代，学习率 \(2 \times 10^{-4}\)
两个网络共享 ResNet34 编码器，编码器先随参数化网络训练，在平面检测训练时微调
优化器：AdamW

实验关键数据¶

主实验 (DeepCAD & Fusion360)¶

方法	DeepCAD CD↓	DeepCAD IoU↑	DeepCAD IR↓	DeepCAD ECD↓	Fusion360 CD↓	Fusion360 IoU↑	Fusion360 IR↓	Fusion360 ECD↓
DeepCAD	9.64	46.7	7.1	—	89.2	39.9	25.2	—
Point2Cyl	4.27	73.8	3.9	—	4.18	67.5	3.2	—
CAD-Diffuser	3.02	74.3	1.5	—	3.85	63.2	1.7	—
CAD-SIGNet	0.28	77.6	0.9	0.74	0.56	65.6	1.6	4.14
MiCADangelo	0.20	80.6	2.6	0.46	0.48	68.7	3.2	2.66

复杂模型和约束鲁棒性¶

测试场景	方法	CD↓	IoU↑	IR↓	ECD↓
≥4 环路模型	CAD-SIGNet	1.34	49.2	3.2	4.75
≥4 环路模型	MiCADangelo	0.37	68.3	4.1	2.04
>2 拉伸模型	CAD-SIGNet	3.95	40.6	5.4	9.81
>2 拉伸模型	MiCADangelo	0.46	64.8	3.0	2.27
约束变形鲁棒性	CAD-SIGNet	2.89	57.4	3.5	20.43
约束变形鲁棒性	MiCADangelo	0.38	81.1	4.3	1.29
CC3D 真实扫描	CAD-SIGNet	2.90	42.6	4.4	8.68
CC3D 真实扫描	MiCADangelo	1.69	50.8	2.2	5.93

消融实验¶

实验	关键结果	说明
上下文嵌入 for 平面检测	F1: 0.296→0.870	位置/轴/归一化嵌入极为关键
跨数据集平面检测	DeepCAD F1=0.870, Fusion360=0.820, CC3D=0.777	泛化性良好
草图参数化 (SCD)	Davinci: 0.827, MiCADangelo: 0.283	得益于噪声闭合环路微调
拉伸向量数量	8 个向量时性能趋于饱和	推理时间影响极小

关键发现¶

在核心指标上全面超越 SOTA：MiCADangelo 在 DeepCAD 上的中位 CD 为 0.20（vs CAD-SIGNet 的 0.28），IoU 达 80.6%（vs 77.6%）
复杂模型优势更显著：在含 4+ 环路模型上 IoU 提升 19.1 个百分点（68.3 vs 49.2），在多拉伸模型上提升 24.2 个百分点
约束的核心价值：有约束的模型在草图修改后仍能保持结构一致性（ECD 1.29 vs 20.43），证明约束对可编辑性至关重要
真实扫描鲁棒性：在 CC3D 真实世界扫描上同样优于 CAD-SIGNet，IoU 提升 8.2 个百分点

亮点与洞察¶

仿人设计流程：不追求端到端的黑箱重建，而是模拟人类 CAD 设计师的截面分析→草图重建→拉伸的工作流，兼顾了细粒度精度和完整参数化
首次将草图约束引入 3D CAD 逆向工程：约束不仅提升了可编辑性，还隐式地限制了解空间，有助于更准确的几何重建
截面视角的巧妙利用：通过 2D 截面提取几何信息，将复杂的 3D 问题转化为多个 2D 图像理解问题
可微拉伸优化：将拉伸参数的推断转化为连续优化问题，避免了离散搜索的困难

局限与展望¶

仅支持拉伸操作（与前作一致），不支持旋转、扫掠等更复杂的 CAD 操作
拉伸方向基于草图平面法线，对非轴对齐拉伸的模型效果受限
不支持 B 样条等复杂草图原语
IR（无效率）指标略高于 CAD-SIGNet，因后者可通过测试时采样多个候选取最优
平面检测依赖均匀采样（每轴 40 个），可能遗漏非轴对齐的关键截面

评分¶

新颖性: ⭐⭐⭐⭐⭐ （首次实现带约束的 CAD 逆向工程，截面分析思路新颖）
实验充分度: ⭐⭐⭐⭐⭐ （多数据集、多场景、约束鲁棒性、真实扫描、全面消融）
写作质量: ⭐⭐⭐⭐⭐ （结构清晰、形式化定义严谨、与人类流程对比直观）
价值: ⭐⭐⭐⭐⭐ （对 CAD 逆向工程领域有突破性贡献）