arXiv cs.AI· Qingwang Zhang, Jiahao Li, Xiangdong Zhou·· 3 天前AI 评分22
重新思考人类意图到 CAD：通过协同多任务对齐与空间感知强化学习生成参数化 CAD 模型
Rethinking Human Intent-to-CAD: Parametric CAD Model Generation via Cooperative Multi-Task Alignment and Spatial-Aware Reinforcement Learning
AI 导读
研究提出 HiCAD 两阶段框架，直接将手绘草图和文本描述等多层级人类意图映射为可执行的参数化 CAD 代码，无需预先存在目标 CAD 模型。该框架通过协同多任务对齐弥合异构输入的表示差距，并用空间感知强化学习保证几何与拓扑一致性，同时构建了首个对齐手绘草图、文本描述与参数化 CAD 代码的大规模数据集 HiCAD。实验表明该方法在多项任务上显著优于现有基线，论文已被 ICML 2026 接收。
正文 · AI 翻译
摘要：基于人类意图的参数化计算机辅助设计（CAD）建模仍然具有挑战性，尤其是在概念设计阶段，设计目标通过不完整且非结构化的模态（例如手绘草图和文本描述）来表达。在这项工作中，我们重新思考了从人类意图到 CAD 的流程，并提出了一种统一方法，可直接将多层级人类意图映射为可执行代码，而无需假设目标 CAD 模型已预先存在。为支持我们的研究，我们构建了 HiCAD，这是首个将手绘草图、文本描述和参数化 CAD 代码对齐的大规模数据集。在此基础上，我们提出了 HiCAD，一个两阶段框架，包含用于弥合异构输入之间表示差距的协作多任务对齐，以及用于强制几何与拓扑一致性的空间感知强化学习。大量实验表明，我们的方法在多个任务上显著优于现有基线，验证了其在将异构人类意图转化为高保真参数化 CAD 模型方面的有效性和鲁棒性。我们的项目页面：this https URL。
| 评论： | 已被 ICML 2026 接收。发表于 Proceedings of Machine Learning Research (PMLR)，第 306 卷 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.15681 [cs.CV] |
| （或 arXiv:2610.15681v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.15681 arXiv 颁发的 DOI 通过 DataCite（待注册） |
|
| 期刊 参考： | Proceedings of the 43rd International Conference on Machine Learning (ICML), PMLR 306:156956-156970, 2026 |
提交历史
来自：Qingwang Zhang [查看电子邮件]
[v1]
2026年10月11日星期日 15:05:49 UTC（7,712 KB）
来源：arXiv cs.AI · arxiv.org