BRepFacetGen: Reverse Engineering B-Reps By Generative Face Segmentation¶

会议: ECCV 2026
论文: ECCV 官方页面
领域: 3D 视觉
关键词: B-Rep 反向工程, 3D 基础模型, 生成式面分割, 流匹配, 几何潜在变量

一句话总结¶

针对传统 CAD 逆向工程中点云确定性分割带来的拓扑不稳定性与多义性问题，BRepFacetGen 提出将 CAD 面分解表述为以连续连续几何潜在变量为条件的生成式潜在变量建模任务，利用预训练 3D 基础模型与流匹配联合生成连续网格及密集面标签，大幅提升了下游 B-Rep 重建的几何与拓扑精度。

研究背景与动机¶

边界表示（Boundary Representation, B-Rep）是现代计算机辅助设计（CAD）与工程制造的核心基石，它不仅严谨刻画几何实体，更内嵌了可参数化编辑的连续曲面以及闭合严格的边界拓扑关系，工程仿真、数控加工与下游交互设计均深度依赖于此。与之相对，近年来以 TripoSG、MeshXL 为代表的 3D 生成式基础模型虽然能从单张图像或文本高保真地合成自由形网格或连续隐式场（SDF），但输出的离散网格完全缺乏参数化曲面定义与工程级拓扑连接，使得强大的现代 3D 生成先验长期与 CAD 制造管线割裂。

传统将离散几何逆向工程重建为 B-Rep 的主流范式（如 ParSeNet、HP-Net、SED-Net）大多遵循“点云实例分割 → 参数化曲面拟合 → 拓扑相交与裁剪”的确定性流水线。然而，这一范式面临两重根本性瓶颈：其一，CAD 面分解天然存在排列多义性（Permutation Ambiguity）与结构非唯一性（Non-uniqueness），同一种几何形体往往容许多种合理且有效的 CAD 面划分方案，强行用确定性网络拟合固定标签会导致训练目标欠定；其二，现有方法受限于离散点云分辨率，在曲面交界处与尖锐边缘存在严重的混叠与点云误分类，直接诱发后续曲面相交时的拓扑退化、飞边及自交。

针对上述矛盾，本文提出摒弃在离散点云上进行单次确定性预测的旧路，将 CAD 结构推理升维为定义在连续曲面几何之上的生成式潜在变量建模问题。核心 idea：将 CAD 模型解耦为预训练 3D 几何潜在集与几何条件标签潜在空间，通过概率生成建模捕捉密集面分割的多样性与连续性，并以密集连续网格为界面驱动高保真 B-Rep 拟合与装配。

方法详解¶

整体框架¶

BRepFacetGen 的整体重建与生成系统主要由四个阶段构成：输入几何的连续编码与网格提取、几何条件下的标签潜在空间建模、基于密集网格的面标签解码，以及基于经典几何内核的曲面拟合与拓扑裁剪装配。输入可为点云或单张图像，系统首先利用冻结权重的预训练 3D 基础模型提取几何潜在集，再由流匹配条件生成器采样出结构自洽的面标签潜在变量，解码后赋予提取出的高分辨率连续网格每个面片以实例标识，最后通过密集重采样交由几何内核重建出标准的工程 B-Rep 实体。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    In["输入几何<br/>点云 X 或单视角图像"] --> GEnc["冻结预训练几何编码器<br/>提取几何潜在集 Zg 与网格 M"]
    GEnc --> FM["流匹配条件生成器<br/>以 Zg 为条件采样标签潜在集 Zℓ"]
    FM --> LDec["密集面标签解码器<br/>在网格 M 面中心查询分类概率"]
    LDec --> SegMesh["密集分割网格<br/>连续几何与面标签对齐"]
    SegMesh --> P2C["曲面拟合与拓扑恢复<br/>Point2CAD 拟合、求交与裁剪"]
    P2C --> Out["标准 CAD B-Rep 实体<br/>参数化曲面 + 完整边界拓扑"]

关键设计¶

1. 几何潜在集先验重用：借助 3D 基础模型锚定连续几何骨架 以往 CAD 重建网络往往需要从头联合训练复杂的几何抽取与拓扑预测，泛化能力差且无法利用通用 3D 大模型的强大表征。BRepFacetGen 采用冻结权重的 TripoSG 3D 基础模型作为几何主干网络（Geometry VAE），将采样的 $N=16,384$ 个带法向表面点 $X=\{(x_i, n_i)\}_{i=1}^N$ 映射为特征矩阵，并通过最远点采样（FPS）抽取 $M \ll N$ 个空间锚点。经过跨注意力与 $L_{\text{enc}}$ 层自注意力后，得到紧凑的预变分几何潜在集 $\tilde{Z}_g \in \mathbb{R}^{M \times C}$，进而采样出连续几何隐变量 $Z_g$。该设计确保了几何的高保真度与全局结构先验，同时使得系统可以零成本兼容点云或单视角图像等不同输入模态。

2. 条件标签潜在空间与排列不变性建模：解决面分解非唯一性 为了解决 CAD 面标签在训练时的排列多义性与同一形体存在多种合理拓扑切分的非唯一性，本文构建了一个以几何为条件的标签变分自编码器（Label VAE）。输入为单热编码的表面点面实例标签 $Y \in \{0, 1\}^{N \times K}$，通过在训练阶段引入随机排列矩阵 $\Pi$（即使用 $Y\Pi$ 监督），使网络不再纠结于标签的绝对索引。经过点级编码与自注意力后得到的标签隐变量 $\tilde{Z}_\ell$，通过跨注意力机制注入几何上下文 $\tilde{Z}_g$： $$ \hat{Z}\ell = \mathrm{Attn}(\tilde{Z}\ell, \tilde{Z}_g, \tilde{Z}_g) $$ 进而参数化后验分布 $q(Z_\ell \mid \tilde{Z}_g)$。在解码端，对网格表面任意查询位置使用多类分类头预测面实例归属。这种概率生成表述天然允许模型为一个几何体采样出多种有效且几何对齐的面切分方案，彻底摆脱了传统 Hungarian 匹配在边界处的脆弱性。

3. 隐变量流匹配生成器：跨模态条件生成与高效通道拼接 在纯几何输入或图像生成等缺乏真实标签潜在集的下游场景中，必须根据纯几何潜在变量 $Z_g$ 产生协调的标签潜在集 $Z_\ell$。作者基于条件流匹配（Flow Matching）构建了生成模型 $p_\theta(Z_\ell \mid Z_g)$。利用几何潜在集 $Z_g$ 与标签噪声潜在集 $Z_t$ 在空间上共享相同 $M$ 个 FPS 空间锚点的对齐特性，避免了昂贵的跨注意力计算，而是直接沿通道维度拼接特征： $$ H_t = \mathrm{MLP}_{\mathrm{in}}([Z_t, Z_g]) \in \mathbb{R}^{M \times C} $$ 结合时间步注入向量 $e(t)$ 经多层自注意力后预测流场速度场 $v_\theta(Z_t, t, Z_g)$。在训练中利用加噪线性插值路径与速度回归目标 $\mathcal{L}_{\mathrm{FM}} = \mathbb{E}[\|v_\theta - (Z_\ell - Z_0)\|^2]$ 进行优化。推理时只需通过普通 ODE 求解器从标准高斯噪声积分至 $t=1$，即可稳定合成与输入几何严密对齐的 $Z_\ell$。

4. 连续网格密集支撑拟合：规避离散点采样分辨率瓶颈 现存逆向算法直接在稀疏点云上拟合曲面，常因点云稀疏或缺失而导致曲面相交边缘产生波折和缝隙。BRepFacetGen 首先通过 Marching Cubes 从几何解码器的连续 SDF 零等值面中提取出高密连续三角形网格 $M$，并在每个三角面片的几何中心查询标签解码器分配实例标签。随后在已分割的网格表面通过泊松盘采样生成高达 $N_d=100,000$ 个极密带标签点集 $X_{\mathrm{dense}}$，再交由 Point2CAD 内核完成 B-spline/解析曲面拟合、解析相交、闭合曲线裁剪与顶点装配。连续网格提供的超高密度采样为曲面拟合与边界交线计算提供了平滑无缝的几何支撑。

损失函数 / 训练策略¶

整个训练分为两阶段： 1. Label VAE 训练：冻结预训练 TripoSG 几何编码与解码权重，使用点级交叉熵损失配合 KL 散度正则化项（权重设为 $1\times 10^{-3}$），在 ABC-1M 过滤集上训练 200k 步，批大小为 64，学习率为 $1\times 10^{-4}$。 2. 流匹配生成器训练：基于固定的几何与训练好的 Label VAE 提取出的潜在对 $(Z_g, Z_\ell)$，优化流匹配损失 $\mathcal{L}_{\mathrm{FM}}$，训练 700k 步，批大小为 128，学习率为 $5\times 10^{-5}$，并采用衰减率为 0.9999 的指数移动平均（EMA）。训练在 32 块 NVIDIA H100 GPU 上执行，分别耗时约 3 天和 7 天。

实验关键数据¶

主实验¶

在 ABC-1M 过滤测试集与 ParSeNet 评测基准（约 700 个含有 B-spline 自由曲面的复杂 CAD 模型）上，作者对比了代表性点云实例分割模型，并在结合 Point2CAD 后的全流程 B-Rep 重建任务上与顶尖方法进行了系统评估。

表 1：实例级面分割性能对比（ParSeNet 评测协议，全部指标越高越好）

方法	mIoU ↑	准确率 (Acc.) ↑	精确率 (Prec.) ↑	召回率 (Rec.) ↑	F1 分数 ↑
ParSeNet [ECCV 2020]	0.7671	0.5232	0.5472	0.6021	0.5582
HP-Net [ICCV 2021]	0.7486	0.5542	0.5928	0.6263	0.5896
SED-Net [SIGGRAPH 2023]	0.8010	0.5130	0.5262	0.5857	0.5420
PrimitiveNet [ICCV 2021]	0.7189	0.3069	0.3527	0.3479	0.3376
BRepFacetGen (本文)	0.8046	0.7040	0.7606	0.7575	0.7470

表 2：点云到 CAD B-Rep 重建几何误差与拓扑指标对比（CD 越低越好，拓扑 FE/EV 与 F1 越高越好；V: 顶点, C: 曲线, S: 曲面）

方法	顶点 CD ↓	曲线 CD ↓	曲面 CD ↓	拓扑 FE ↑	拓扑 EV ↑	顶点 F1 ↑	曲线 F1 ↑	曲面 F1 ↑
ComplexGen [TOG 2022]	0.205	0.173	0.106	0.186	0.298	0.236	0.205	0.273
Split-and-Fit [SIGGRAPH 2024]	0.416	0.154	0.051	0.167	0.182	0.216	0.211	0.347
ParSeNet + Point2CAD	0.399	0.144	0.086	0.236	0.213	0.203	0.208	0.293
HP-Net + Point2CAD	0.357	0.108	0.076	0.245	0.231	0.232	0.240	0.328
BRepFacetGen + Point2CAD (本文)	0.233	0.085	0.057	0.315	0.304	0.558	0.579	0.770

消融实验¶

作者深入消融了核心机制的设计合理性，包括验证“生成式标签潜在变量 vs. 确定性分割头”以及“连续网格密集支撑拟合 vs. 离散稀疏点拟合”。

表 3：分割建模范式与拟合分辨率消融分析

实验配置	分割 mIoU ↑	分割 F1 ↑	顶点 F1 ↑	曲线 F1 ↑	曲面 F1 ↑	FE 拓扑 ↑
确定性分割头 [小参数量]	0.7360	0.6633	0.292	0.344	0.470	0.308
确定性分割头 [大参数量]	0.7167	0.6372	0.255	0.318	0.448	0.285
稀疏输入点直接拟合 (Points)	0.8046	0.7470	0.264	0.295	0.417	0.286
HP-Net 直接分割 100k 稠密点	-	-	0.122	0.119	0.222	0.160
完整模型 (Full Model, 稠密网格)	0.8046	0.7470	0.558	0.579	0.770	0.315
完整模型 (10 次采样 Oracle 选优)	0.8368	0.8397	-	-	-	-

关键发现¶

生成式建模决定性超越确定性匹配：直接用增加参数量的大模型来做确定性分割匹配，其分割 F1（0.6372）反而比小模型更差，显著落后于本文的生成式潜在建模（0.7470）。这证实了 CAD 面分割的非唯一性是确定性学习的本质死穴，唯有概率建模方能消除标签混淆。
多重解空间具备高度自洽性：在对同一几何形状进行 10 次独立标签采样时，两两生成的平均调整兰德指数（ARI）高达 0.934，说明模型既保证了全局拓扑分割的一致稳定性，又蕴含了细微且合法的替代分割可能；在 Oracle 选优时 mIoU 可进一步跃升至 0.8368。
网格连续性是高质量边界裁剪的决定因素：当直接把预测的稀疏输入点交由 Point2CAD 拟合时，曲面 F1 仅有 0.417；而借助连续网格抽取并密集采样 100k 点后，曲面 F1 骤增至 0.770。相比之下，HP-Net 即使强行在 100k 稠密点上做预测，曲面 F1 也仅有 0.222，证明了“高质量连续几何 + 分割概率场查询”的无可替代性。

亮点与洞察¶

将逆向工程重塑为生成式条件潜在推断：不再把 CAD 面分割看作传统的逐点分类判别任务，而是开创性地视作连续几何支撑下的条件隐变量分布生成任务，成功化解了长年困扰该领域的标签排列多义性与局部非唯一性难题。
空间锚点对齐与无跨注意力极简融合：敏锐地利用了几何与标签隐变量均建立在同一套 FPS 空间锚点上的同构特性，用极简的通道级拼接替代了计算昂贵且易引起过拟合的跨注意力层，实现了流匹配速度场网络的高效轻量化设计。
打通通用 3D 大模型到 CAD 制造实体的桥梁：成功借助 TripoSG 的通用 3D 几何先验驱动 CAD 级下游逆向生成，填补了通用生成网格与严谨工程 B-Rep 之间的关键技术断层。

局限与展望¶

受制于通用 3D 几何主干的先验偏差：几何主干 TripoSG 预训练于通用自然物体数据集，在处理复杂机械结构的深度遮挡凹陷腔体或极度规则的薄壁特征时可能出现几何漂移，未来引入 CAD 专用几何预训练微调将大幅改善这一问题。
流匹配多步迭代的推理开销：流匹配生成标签隐变量需要通过多步数值 ODE 求解器积分完成，相较于单步前向推理有明显的时延，未来可探索少步扩散蒸馏或一致性模型（Consistency Models）以加速推理。
下游曲面拟合内核的依赖性：当前 B-Rep 生成依然依托 Point2CAD 进行启发式的曲面拟合与裁剪拼接，在极端复杂曲面或微小倒角处仍存在装配失败概率，直接融合工业级几何建模内核（如 OpenCASCADE/Parasolid）将是工业落地的必然方向。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 巧妙将 CAD 逆向工程转化为连续几何条件下的生成式潜在变量建模，破除了确定性分割的思维定势。
实验充分度: ⭐⭐⭐⭐⭐ 涵盖离散点分割、点到 B-Rep、图像到 B-Rep 以及详尽的消融与解空间多样性验证，指标极为完备。
写作质量: ⭐⭐⭐⭐⭐ 结构清晰，问题动机阐述极其透彻，数学形式化表达严谨规范。
价值: ⭐⭐⭐⭐⭐ 真正打通了现代 3D Foundation Model 与现代工程 CAD/B-Rep 之间的关键断层，工业应用潜力巨大。