DreamCAD: Scaling Multi-modal CAD Generation using Differentiable Parametric Surfaces¶

会议: ECCV2026
论文: ECCV 原文
领域: 3D生成与编辑
关键词: CAD 生成、有理 Bézier 曲面、可微网格化、流匹配、几何连续性

一句话总结¶

DreamCAD 用共享边界的可微参数曲面承接大规模网格的点级监督，再以粗到细流匹配支持图像、点云和经图像中转的文本条件生成，在 ABC 点云到 CAD 任务上将 Cadrille 的 CD 从 2.98 降至 0.93（表中数值均为原始 CD 乘 \(10^3\)），但完整 CAD 拓扑仍需额外恢复。

研究背景与动机¶

CAD 模型不仅要“看起来像”一个物体，还需要可以精确求值、编辑和连接的曲面，以及面、边、顶点之间的拓扑关系。三角网格适合渲染，却不会自动告诉工程软件哪些区域属于同一个面、哪些曲线构成修剪边界。已有 DeepCAD、Text2CAD 等方法把建模历史写成草图与拉伸序列，因此能够输出有明确操作含义的结构。问题是这种监督需要设计历史，训练数据有限，而且复杂自由曲面不一定能由少量草图与拉伸表达。

另一类方法直接预测 BRep 的 UV 网格或拓扑图，减少了对特定建模步骤的依赖，却仍然需要昂贵的面级或拓扑标注。相邻面独立生成还可能留下接缝，后处理必须同时处理几何拟合和拓扑合法性。相比之下，大量公开三维模型只有网格，但其表面已经包含足够丰富的几何监督。真正的障碍不是缺少三维形状，而是缺少一种既能从网格学习、又能保留 CAD 参数曲面形式的中间表示。

DreamCAD 因此把“学习可泛化的几何”与“恢复完整 CAD 拓扑”分开处理，首先解决前者。它把体素外表面的四边形变成相互连接的有理 Bézier 曲面，让曲面上的采样点直接接受网格监督。文本条件则借助带几何元数据的 CAD 描述和图像生成模型获得视觉落点，而不是直接把语言变成全部曲面参数。核心 idea：先用结构上连续、可以反向传播的参数曲面打通网格数据到 CAD 几何的学习通路，再在这个几何空间中进行多模态生成，而不把离散拓扑预测强行塞进同一个训练目标。

方法详解¶

整体框架¶

训练时，DreamCAD 用网格构建稀疏体素特征，训练一个输出参数曲面的变分自编码器（VAE）。随后训练两个条件流模型，依次生成粗体素结构和每个活跃体素的结构化潜变量（SLAT），再调用预训练曲面解码器生成几何。图像和点云可以直接提供条件；文本先由经过 CAD 数据微调的图像模型转换成图像，再进入图像到 CAD 路径。下图实线表示生成时的数据流，虚线表示训练所需的数据或监督，不能把网格监督误当成生成时额外给定的真值。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
        Text["文本"] --> Visual["元数据视觉桥接"]
        Captions["四视图与 CAD 元数据"] -.->|训练| Visual
        Visual -->|生成图像| Coarse["粗到细结构化生成"]
        Inputs["图像或点云"] --> Coarse
        Mesh["训练网格"] -.->|体素编码与潜空间学习| Coarse
        Coarse -->|活跃体素与 SLAT| Surface["共享边界曲面解码"]
        Mesh -.->|表面点监督| Surface
        Surface --> Output["连续参数曲面"]

这里的输出是控制点与权重定义的曲面集合，不是天然包含语义面划分、修剪关系和完整拓扑的 STEP 实体。论文另做了语言模型恢复拓扑的可行性实验，但它不属于上述几何生成主干的必经步骤。

关键设计¶

1. 元数据视觉桥接：先把语言约束落到可观察的几何上

CAD 文本往往包含孔数、齿数和相对尺寸，这些约束比一般物体类别名称更具体。若直接用文本预测三维结构，模型必须同时解决语义理解、空间布局和曲面参数生成，作者观察到收敛慢且提示词保真度不足。为此，CADCap-1M 从 ABC、Automate、CADParser、Fusion360、ModelNet 和 3D-Future 收集模型，提供超过 1M 条 CAD 描述。每个模型渲染四个正交视图，并向 GPT-5 提供可用的模型名称、孔数和长宽高比例。模型名称可从 STEP 文件提取，孔数使用已有方法计算；这些辅助信息不是由描述模型凭图像自行猜测。它们的作用是把“一个圆盘”约束为有特定孔洞布局、部件名称和尺寸比例的几何对象。

作者随后在这些描述数据上微调 Stable Diffusion 3.5-2B，使生成图像接近图像到 CAD 模型的训练分布。推理时先生成图像，再用预训练的图像到 CAD 模型得到参数曲面，而不是运行一个独立的端到端文本到 BRep 解码器。这个选择复用了图像模型中的视觉先验，也把三维模型收到的条件变成更明确的空间信号。不过，图像仍是信息瓶颈：文字中的孔数若在这一步生成错误，下游几何模型不一定能恢复原约束。 CADCap-1M 的四视图描述流程与 VAE 的 150 视图特征提取用途不同，不能混成同一套输入要求。前者是文本数据构建，后者只服务于训练形状的潜空间表示；用户无需提供 150 张图像。

2. 粗到细结构化生成：先确定形状占据，再补局部几何

形状 VAE 首先把训练网格体素化为 \(32^3\) 分辨率的稀疏网格，只为活跃体素保留特征。作者为网格渲染 150 个 RGB 与法线视图，提取 DINOv2 特征并投影到各体素中心，再跨视图平均。特征中还包含逐视图法线、体素中心坐标和有符号距离值，原文报告最终特征维度为 2502。这些信息让编码器同时看到局部外观、表面朝向以及体素与真实表面的距离，而不只看到一个占据标记。稀疏 Transformer 编码器把它们压缩成附着于体素位置的潜变量，每个体素的潜变量维度为 8。这一步建立了可学习的几何表示：粗位置负责空间组织，局部潜变量负责修正体素外壳无法表达的细节。

在条件生成时，第一个 Flow Transformer 产生低分辨率体素潜结构，并由轻量体素 VAE 的预训练解码器上采样到体素网格。第二个 Flow Transformer 根据已生成的体素和输入条件，为每个活跃体素生成 SLAT 特征。两者采用流匹配训练，因此不是一次性回归所有控制点，而是学习从先验样本到目标表示的连续生成轨迹。图像条件由预训练 DINOv2 编码，点云条件由与流模型联合训练的 PointNet++ 编码。最后，预训练参数曲面解码器接收体素位置与 SLAT，生成可求值的曲面。这也解释了粗结构错误为何会传播：如果孔洞或细长部件在体素阶段没有正确定位，后面的局部曲面细化不能保证修复全局结构。

3. 共享边界曲面解码：把接缝一致性做成结构约束

每个双三次有理 Bézier 曲面由一个 \(4\times4\) 控制点网格和对应的 16 个权重决定。曲面在二维参数域中通过 Bernstein 基函数求值，控制点改变位置，权重改变各控制点对曲面形状的影响。若每个曲面完全独立预测，即使采样点距离很小，相邻面也可能出现裂缝或重叠。 DreamCAD 先对稀疏体素执行洪泛填充（flood-fill），去除内部四边形，只保留外部表面。每个外部四边形通过四个角点的双线性插值初始化控制点，初始权重全部设为 1。相邻曲面共享边界控制点，而不是把两个几乎重合但彼此独立的边界交给损失函数去对齐。

解码器预测每个控制点的位移和权重更新，并用有界位移与正权重约束降低训练早期的退化风险。下面只保留第 4.1 节文字中清楚给出的局部更新关系；\(c\) 为初始控制点，\(d\) 和 \(\widehat w\) 为预测值。

\[ c \leftarrow c + \tanh(d), \qquad w = \log(1+\exp(\widehat w)). \]

对共享边界，作者平均所有相关曲面的位移与权重更新，使它们使用一致的边界位置和权重。对于有理曲面，共享位置之外还要协调权重，否则“控制点重合”本身不足以保证相同的边界曲线。随后在每片曲面的参数域内均匀采样网格，将网格单元切成三角形，并合并相邻曲面的公共边界。曲面求值对控制点和权重可微，因此采样点上的几何损失可以沿这条路径更新参数。 \(C^0\) 连续性解决的是接缝位置一致，不等于切向光滑，也不等于全局无自交或完整 CAD 拓扑有效。论文另加 \(G^1\) 切向连续性与 Laplacian 平滑正则，缓解只追求点距离时出现的粗糙表面和尖刺。

一个完整示例¶

以论文图 5 中“中心凹陷、周围有八个圆孔的圆柱形轮毂”为例，可以串起文本生成的各个阶段。这只是按论文示例解释路径，并非新增实验，也不声称每次采样都能精确生成八孔。文本先经过微调后的图像模型，形成具有圆柱轮廓与孔洞布局的图像条件。粗流模型据此生成体素结构，细流模型补充各活跃体素的局部几何潜变量。曲面解码器把体素外壳初始化为共享边界的曲面，再用控制点位移与权重调整逼近圆柱、凹陷和孔壁。若需要完整 CAD 文件，还必须另接拓扑恢复流程；仅得到这些连续曲面不能直接证明已恢复设计意图。

损失函数 / 训练策略¶

VAE 的训练目标包含表面采样点与目标点云间的 Chamfer 距离、\(G^1\) 正则、网格 Laplacian 平滑以及潜变量 KL 正则。全文缓存中的式 (1)、(4)、(5) 有排版抽取缺损，因此不把缺失的运算符或张量维度猜补成作者的精确公式。原文明确给出 \(\lambda_{cd}=10^2\)、\(\lambda_{g1}=5\times10^{-3}\)、\(\lambda_{lp}=1\)；正文未在该处列出 KL 权重。两级生成模型使用式中清晰可辨的流匹配目标，其中 \(x_0\) 是先验样本，\(x_1\) 是目标表示，\(x_t\) 是中间状态。

\[ \mathcal{L}_{FM}=\mathbb{E}_{x_0,x_1,t}\left[\left\|v_\theta(x_t,t)-(x_1-x_0)\right\|_2^2\right]. \]

VAE 的编码器和解码器各有 8 层 Transformer，以 batch size 32 训练 700k 步，作者报告约耗时 3 周。优化器为 AdamW，学习率 \(5\times10^{-5}\)，权重衰减 \(10^{-4}\)；该时间不能在缺少硬件配置时直接换算为通用训练成本。训练过程中，CD 采样点数按 sigmoid 调度从 16K 增至 100K，曲面网格化分辨率从 \(4\times4\) 增至 \(16\times16\)。两个流模型各训练 500k 步，条件丢弃率为 10%；推理采用 50 步，classifier-free guidance scale 为 7.5。文本到图像部分使用 LoRA，rank 和 alpha 均为 4，训练 300k 步。点云归一化到 \([-0.5,0.5]\)，50% 的训练 batch 加入表面法线；图像训练每轮从四个正交视图随机取一个。作者报告图像和点云到 CAD 约需 15 秒，文本到 CAD 约需 30 秒，这些是论文设置下的时间而非统一硬件基准。

实验关键数据¶

主实验¶

表 1 汇总的 VAE 训练集包含来自 10 个公开数据集的 1,306,409 个网格，不能与 CADCap-1M 的描述规模直接画等号。主评测使用 ABC 与 Objaverse 各 15K 个样本；Objaverse 通过描述中的 CAD 关键词过滤，是有筛选条件的分布外测试。几何指标使用归一化到原点中心单位立方体的形状，均匀采样 8192 个点。 GPT-5 偏好评测使用 5k 个样本，14 名 CAD 专家的用户评测使用 1k 个样本，均从各方法的多视图结果中选择最匹配输入者。因此 User 是该候选集合内的选择比例，不是 CAD 合法率，也不是每个结果独立获得的正确率。

下表摘录原文表 2（第 11 页）；CD 列显示原始距离乘 \(10^3\)，越低越好，User 为百分比，越高越好。

任务	模型	ABC CD	Objaverse CD	ABC User (%)	Objaverse User (%)
点云到 CAD	CAD-Recode	3.73	7.92	不适用	不适用
点云到 CAD	Cadrille	2.98	6.28	不适用	不适用
点云到 CAD	DreamCAD	0.93	1.25	不适用	不适用
图像到 CAD	BRepDiff	20.69	57.51	17.63	16.63
图像到 CAD	DreamCAD	4.12	20.16	77.03	82.92
文本到 CAD	NURBGen	50.84	73.54	4.44	7.28
文本到 CAD	BRepDiff	54.12	74.32	3.20	6.41
文本到 CAD	DreamCAD	20.32	34.61	85.40	83.48

表 2 的 ABC 点云到 CAD F1 为 DreamCAD 92.12、Cadrille 78.86，均按原文乘 \(10^2\) 展示；法线一致性分别为 0.94 与 0.80。文本基线 BRepDiff 使用与 DreamCAD 相同的微调图像模型输出，因此差异不完全来自文本到图像前端。但主实验的训练数据量并不对齐，不能把全部增益归因于曲面表示；论文指出补充材料另有 DeepCAD 数据集实验，本任务未提供该补充材料。

消融实验¶

原文表 3a（第 12 页）在 300K 样本上从头训练 VAE，并用 15K 个 ABC 测试形状评估，研究的是重建正则而非条件生成。 CD 与 Lap 列保留原表乘 \(10^3\) 的展示尺度，HD 保留原尺度，三项均越低越好。

正则配置	CD	Lap	HD
无正则	0.0210	0.0073	0.020
仅 G1	0.0230	0.0064	0.022
仅 Laplacian	0.0225	0.0022	0.022
G1 + Laplacian	0.0259	0.0020	0.024

联合正则使 Lap 从 0.0073 降至 0.0020，但 CD 从 0.0210 升至 0.0259，说明更光滑的表面并非单纯依靠更低的点距离获得。原文表 3b（第 12 页）的分辨率分析没有重新训练四套 VAE，而是对 1000 个训练网格分别优化 2000 轮，学习率为 \(10^{-4}\)。下表中的 patch 数为平均值，CD 同样保留原表乘 \(10^3\) 的展示尺度，不能与表 3a 或主任务直接比较绝对大小。

体素网格边长	平均 patch 数	CD
24	1434.32	0.0231
32	2546.18	0.011
48	7720.48	0.0109
64	10179.34	0.0105

从 32 提高到 64，平均曲面数接近四倍，而 CD 只从 0.011 降到 0.0105，支持采用较粗体素定位、再靠参数曲面表达细节。表 4b（第 14 页）还显示，对粗体素施加标准差 \(10^{-2}\) 的噪声会使 ABC 点云到 CAD 的 CD 从 0.93 升至 4.51，均为原始值乘 \(10^3\)。这支持“粗结构准确性很重要”，但噪声扰动并不等同于移除粗阶段重新训练，不能视为所有替代架构的直接对照。

关键发现¶

图像到 CAD 在 ABC 上的用户偏好为 77.03%，文本到 CAD 为 85.40%；这两个任务的候选基线集合不同，不宜直接比较难度。
描述质量评估中，用户判断正确的比例为 95.8%，GPT-5 为 98.31%（第 13 页）；它们是抽样判断，不能保证全部描述的孔数都正确。
图 7 对应实验中，1000 个样本的元数据增强描述获 80.3% 用户偏好；500 张图像的微调对照中，微调图像获 75.6% 偏好。
拓扑恢复可行性实验使用 50K 样本微调 Qwen3-4B，再在三种任务各 200、共 600 个样本上测试，报告 99.2% 有效 CAD 与 \(\mathrm{CD}=0.17\times10^{-3}\)（第 14–15 页，第 5.4 节）。
数值核对：正文称 ABC 文本到 CAD 相对 NURBGen 的 CD 降低 62%，但表 2 的 50.84 到 20.32 对应约 60.0%；本文保留表值，不把正文百分比改写成已验证事实。

亮点与洞察¶

最有价值的是改变监督接口：训练样本不必带设计历史或完整 BRep，只要能采样网格表面，就能约束参数曲面。这使既有三维数据可用于 CAD 几何学习。
接缝连续性来自共享变量，而不是期待 Chamfer 距离偶然学会相邻曲面对齐。该思路适合其他由局部参数片组成的几何表示。
粗体素与精细曲面承担不同职责：前者确定空间组织，后者用少量可编辑参数恢复形状。分辨率实验说明，增加离散网格密度不一定是改善细节最经济的方式。
读者启发：对带孔数或尺寸约束的 CAD 生成，可在图像中间结果与最终几何之间增加显式约束检查。这是可延伸方向，不是论文已经实现的闭环机制。

局限与展望¶

作者明确承认主模型缺少完整 CAD 拓扑。额外语言模型的 600 样本实验支持可行性，但不能证明所有开放词汇形状都能成为生产可用实体。
\(C^0\) 保证不能替代全局自交检测、语义面合并或工程可制造性验证；\(G^1\) 和 Laplacian 则是软正则，也不是所有边界的光滑性证书。
训练数据规模与基线不同，Objaverse 也经过 CAD 关键词筛选。结果支持该设置下的泛化，尚不足以覆盖任意自然形状或公平隔离架构贡献。
CADCap-1M 的生成与部分自动评测都使用 GPT-5，虽然另有专家评估，仍可能存在共享模型偏好；未见独立几何程序验证全部描述的证据。
当前缓存包含主文但未提供补充材料，部分公式抽取损坏；本文不补写缺失的 KL 权重、未明确的 F1 阈值或拓扑有效性判定细则。

评分¶

以下为阅读者判断，采用 5 分制，不是论文报告的实验指标。

新颖性: 4/5。把共享边界曲面、点级监督与多模态生成连成可扩展流程，核心价值在表示与训练接口。
实验充分度: 4/5。覆盖三种条件、分布外评测和多类消融，但训练数据差异与小规模拓扑评测限制结论范围。
写作质量: 4/5。主线清楚，区分了几何与拓扑目标；部分正文降幅与表格不一致，需要按原表核对。
价值: 4/5。为利用大量网格训练可编辑 CAD 几何提供了路径，距离可靠的完整工程实体生成仍有关键步骤。