摘要
近期的文本到 CAD 方法虽利用大语言模型展现出潜力，但在复杂设计的结构一致性及几何参数准确落地方面仍面临挑战。为此，本文提出 HierCAD，一种分层文本到 CAD 框架，旨在提升结构推理与参数预测能力。该框架通过将 CAD 构建树分解为对象级程序推理和部件级拓扑推理轨迹，将 CAD 生成重构为渐进式推理过程。此外，引入统一的结构对齐与参数落地（SAPG）学习策略：结构对齐将拓扑推理轨迹与对应的参数化 CAD 片段匹配，而参数落地则通过保结构参数扰动和基于排序的监督来缓解捷径学习。实验表明，HierCAD 在 CAD 序列生成及重建模型评估上均优于现有最先进方法。
AI 推荐理由
论文核心提出分层推理框架，将 CAD 生成重构为对象级和部件级的渐进式推理过程。
研究机构
College of Computer Science and Technology, Zhejiang University, Hangzhou, China
论文信息