GraphBRep:基于显式图扩散的B-Rep拓扑高效CAD生成方法

《Journal of Computational Design and Engineering》:GraphBRep: Explicit Graph Diffusion of B?Rep Topology for Efficient CAD Generation

【字体: 大 中 小 】 时间:2025年12月17日 来源:Journal of Computational Design and Engineering 6.1

编辑推荐:

  本研究针对CAD直接B-Rep生成中几何与拓扑错位分布的建模难题,提出GraphBRep模型。通过构建表面拓扑的无向加权图,采用图扩散模型显式学习紧凑拓扑结构,在保持高质量生成的同时显著提升效率。实验表明,该方法在训练和推理时间上分别最高减少30.82%和56.3%,为CAD智能生成提供了新范式。

  
在当今产品设计领域,计算机辅助设计(CAD)模型已成为连接设计师创意与实物产出的关键数字纽带。然而,传统CAD建模过程仍然高度依赖人工操作,特别是在处理复杂几何结构时尤为耗时费力。随着人工智能生成内容(AIGC)技术的快速发展,研究人员开始探索利用生成式AI模型自动化CAD模型生成的可能性,但CAD数据结构的复杂性——尤其是边界表示(B-Rep)的复杂特性——给这一目标带来了巨大挑战。
B-Rep通过表面、边和顶点等几何元素及其间复杂的拓扑关系来精确定义三维物体。这种结构的复杂性使得传统神经网络难以直接处理。早期研究主要通过简化表示来规避这一难题,例如将CAD操作(如"草图""拉伸""倒角")转换为序列化令牌。虽然这种方法简化了数据结构,但严重限制了可生成特征的范围和复杂性,特别是对于非均匀有理B样条(NURBS)等复杂曲面的生成能力有限。此外,建模命令序列并非行业标准格式,进一步增加了数据获取的难度。
近年来,直接处理B-Rep数据的新范式逐渐兴起,显著增强了对曲线、曲面和复杂几何的生成处理能力。然而,在生成多样性和计算效率之间取得平衡仍是一个亟待解决的关键问题。现有方法如SolidGen虽然实现了直接的B-Rep生成,但受限于几何特征的范围,生成多样性不足;而BrepGen虽然能有效处理任意曲面和曲线,但由于冗余的拓扑表示导致效率低下。这些方法通常将拓扑关系隐式编码在几何组件中,后期再根据预定规则进行重建,这种处理方式不可避免地引入了数据冗余和计算开销。
针对这些挑战,湖南大学的研究团队在《Journal of Computational Design and Engineering》上发表了题为"GraphBRep: Explicit Graph Diffusion of B-Rep Topology for Efficient CAD Generation"的研究论文,提出了一种基于图扩散的B-Rep生成模型GraphBRep。该研究的创新之处在于将B-Rep拓扑显式表示为邻接矩阵,仅在预测存在连接性的地方生成几何边,从而有效消除了树结构编码的冗余性。
研究方法的核心是将B-Rep图表示为G=(S, E, A),其中S表示表面,E表示几何边,A为邻接矩阵。研究采用UV-Net方法将几何元素离散化为点集,统一处理不同几何特征。表面和边分别被离散化为M×N网格点和R个点(M=N=R=32),每个B-Rep模型被平移缩放到[-1,1]3立方体内。通过变分自编码器(VAE)对几何数据进行编码,将几何信息分解为边界框(B-Box)和归一化点集两部分。
技术方法上,GraphBRep采用分层扩散框架:首先使用Transformer编码器去噪表面B-Box和潜在变量;然后基于完整表面信息,通过图Transformer去噪邻接矩阵;最后在预测的邻接矩阵指导下,采用节点信息嵌入方法生成边几何。训练使用8块NVIDIA A100 GPU,采用Adam优化器和均方误差损失函数,在DeepCAD和ABC数据集上分别训练3000和1000轮次。
图基于B-Rep表示的拓扑学习
研究团队构建了无向加权邻接矩阵来显式表示表面间的成对连接性。如图3所示,矩阵中的每个元素表示两个表面间共享的边的数量,其中emax为最大边数。这种表示方法确保共享边仅被编码一次,有效消除了树结构编码中的冗余问题。对于圆柱体等封闭面,沿接缝进行分割以简化后续处理,从而B-Rep表面不包含内环,使邻接矩阵可简化为无向图。
图扩散模型的B-Rep生成
GraphBRep将复杂的B-Rep图分布p(G)分解为三个条件分布的乘积:p(G) = p(E|A,S)·p(A|S)·p(S)。这种分解显著简化了分布学习过程,且各分布的学习可以并行进行,加速了训练过程。扩散模型包含前向扩散过程和反向扩散过程,通过逐步添加噪声和学习恢复过程来生成数据。
模型架构包含三个顺序阶段:节点生成、邻接矩阵生成和边生成。在节点生成阶段,从噪声开始,扩散模型首先去噪表面B-Box,然后以B-Box为条件生成对应的UV点。邻接矩阵生成阶段以生成的表面为条件,通过图扩散模型去噪密集的表面-表面邻接矩阵。边生成阶段以表面及其拓扑为条件,去噪边B-Box,最后以所有生成的先前信息为条件,将噪声边UV点去噪为干净点。
定量评估结果
在DeepCAD和ABC数据集上的实验表明,GraphBRep在保持高质量CAD生成的同时,显著提升了效率。在分布度量方面,GraphBRep在最小匹配距离(MMD)上表现优异,显示出更强的生成能力和多样性。在CAD度量方面,该方法在新颖性和独特性指标上与BrepGen相当,而在有效性(生成水密实体的比例)方面有明显提升。
效率分析显示,GraphBRep的核心优势在于其对拓扑关系的处理方式。与BrepGen为每个表面分配固定数量的边不同,GraphBRep通过预测面-面邻接矩阵来指导几何边生成,有效减少了冗余计算。在DeepCAD数据集上,GraphBRep将总训练时间减少了30.82%,推理时间在批大小为64时减少了56.31%。
条件生成能力
在Furniture数据集上进行的条件生成实验表明,GraphBRep能够在不同标签条件下生成复杂几何体同时保持正确的拓扑结构。分类器无关指导技术使模型能够根据语义标签生成多样且结构有效的形状,展示了模型在实践中的适应性。
消融研究
通过改变生成模型中允许的最大表面数量进行的消融实验显示,随着表面数量限制的增加,定量指标趋于下降,但新颖性和独特性指标几乎不变,而有效率增加。对原始DiGress架构的测试表明,同时生成图节点和邻接矩阵的方法在B-Rep生成任务上效果不佳,有效率不超过15%,这凸显了基于完整表面信息生成拓扑的重要性。
鲁棒性评估显示,在表面输入添加噪声的情况下,邻接矩阵生成模块表现出较强的抗干扰能力。在轻度噪声(t=30)下,精确匹配率保持在90.67%,即使在中等噪声水平(t=50)下,准确率仍达81.25%。
GraphBRep通过将B-Rep结构表示为加权无向图,并将复杂联合分布分解为节点、邻接矩阵和边的条件分布,有效捕获了几何和拓扑信息。这一设计显著减少了冗余计算,提高了训练和推理效率。然而,该方法仍存在一些局限性:将问题分解为多个子模块增加了系统复杂性,可能产生级联误差;当前模型仅支持单B-Rep实体,尚未处理装配体;现有评估指标主要关注全局几何保真度,对B-Rep特性(如边缘连续性、小尺度特征和拓扑)不敏感。
未来工作方向包括:将每个B-Rep转换为表面和边上的规范线性化链,使监督在样本间标记对齐;探索具有轻量级匹配头的标记化方法,在单个解码器中联合预测表面、边及其连接性;向装配体建模扩展,通过特征驱动规则模板或大型语言模型推断配合意图和约束模式。
这项研究为CAD直接B-Rep生成提供了新的解决方案,通过显式图扩散建模拓扑关系,在保持生成质量的同时显著提升效率,为工业实际应用奠定了基础。GraphBRep的成功表明,将拓扑作为一等公民进行显式建模,是解决CAD生成中几何-拓扑联合分布问题的有效途径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号