CADENA：工程者のように段階的に CAD を復元するモデル

導入

既存の 3D 形状を、後から編集できる CAD モデルに変換する作業は、今でも多くの専門知識を必要とする。メッシュは物体の外形を表せるが、スケッチ、押し出し、切削といった設計履歴を持たない。製造や再設計で本当に必要になるのは、単なる見た目ではなく、再利用可能なパラメトリック CAD である。

CADENA は、この CAD 逆向き設計の課題に対して、人間のエンジニアに近い進め方を採用する。モデルは CAD プログラム全体を一度に出力するのではなく、操作を一つずつ追加する。各ステップで部分的なプログラムを実行し、生成された形状を目標メッシュと比較することで、まだ作られていない部分を把握する。

主要ポイント

• 一括生成ではなく段階的生成：CADENA は CAD プログラムを一度に書くのではなく、特徴を追加しながら構築する。
• 実行結果をフィードバックに利用：中間形状と目標形状の差を確認し、次の CAD 操作をより適切に予測する。
• 実部品向けベンチマーク：CADENA-Bench は、三つの産業系コーパスから重複を除いた 3396 個の実機械部品で構成される。
• 部品ファミリー別の評価：六つの部品ファミリーごとに結果を示すことで、平均値だけでは見えにくい弱点を明らかにする。
• 再現性への配慮：推論コード、SFT と強化学習の重み、ベンチマークデータが公開されている。

意義と影響

CADENA の意義は、単に既存手法を上回ったという点だけではない。CAD 生成を「予測して終わり」のタスクから、「予測、実行、検査、次の予測」という閉ループへ近づけたことにある。CAD モデルは形状データであると同時に、編集可能な設計手順でもあるため、中間形状を見ながら判断する仕組みは実務に近い。

素材によれば、CADENA は CADENA-Bench、DeepCAD、Fusion 360、MCB で従来手法を上回り、BenchCAD の Vision2Code では 0.910 voxel IoU に到達している。また、実行後の幾何形状に基づく強化学習により精度が向上し、無効率は 0.9% まで下がったとされる。形状を構築できない操作には報酬が与えられないためだ。

さらに重要なのは、実部品の難しさを明確に示した点である。著者らは、学習型ベースラインが DeepCAD から実部品へ移るとスコアをおよそ半分落とすと述べている。今後の CAD AI では、見た目が近い形状を作るだけでなく、実行可能で編集可能な設計プログラムを安定して生成できるかが問われる。

出典：Hugging Face Daily Papers