CADENA：像工程师一样逐步还原 CAD 模型

导语

把一个已有的 3D 形状变成可继续编辑、可用于制造流程的参数化 CAD 模型，一直是工程设计中的高成本环节。网格模型可以描述外观，却不天然包含草图、拉伸、切削等建模历史；而真正可复用的 CAD 文件，往往需要工程师按特征逐步重建。

CADENA 针对的正是这个“CAD 逆向工程”问题。与许多一次性输出完整程序的 AI 方法不同，它把生成过程拆成一条连续的操作链：每预测一个 CAD 操作，就执行当前的部分程序，再把生成出的几何体与目标网格进行比较，从而判断还有哪些结构没有被建出来。

核心要点

• 逐步生成，而非一次成稿：CADENA 不把 CAD 程序视为一次性文本生成任务，而是像工程师建模一样，逐步添加特征并观察中间结果。
• 执行结果参与反馈：模型在每一步都能看到当前预测几何与目标形状之间的差异，这让下一步操作更有针对性。
• 面向真实机械零件的评测：作者提出 CADENA-Bench，包含来自三个工业语料、去重后的 3396 个真实机械零件，并划分为六个零件家族分别报告表现。
• 避免平均分掩盖短板：按零件类别评估可以暴露方法在不同机械结构上的弱点，而不是让总体均值掩盖问题。
• 开源资源完整：论文配套发布了代码、模型权重与基准数据集，便于复现和后续比较。

意义与影响

CADENA 的价值不只在于分数提升，更在于它把 CAD 逆向工程从“看图写完整程序”的黑箱式生成，推进到“生成—执行—检查—再生成”的闭环流程。这种思路更接近真实工程建模，也更适合处理需要精确约束和可编辑历史的机械零件。

从结果看，CADENA 在 CADENA-Bench、DeepCAD、Fusion 360 和 MCB 等数据集上超过既有方法，并在 BenchCAD 的 Vision2Code 上达到 0.910 voxel IoU。素材还提到，通过基于执行几何结果的强化学习，模型准确率得到改善，无效率降至 0.9%，因为无法成功构建的操作不会获得奖励。

不过，这项工作也提醒我们：真实工业零件比合成或较理想化测试集更难。作者指出，学习型基线从 DeepCAD 转到真实零件时分数大约会下降一半。对 CAD AI 来说，未来竞争点可能不只是生成看起来相似的形状，而是能否稳定输出可执行、可编辑、可复用的设计程序。

来源：Hugging Face Daily Papers