PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.20642v1cs.CV

Masked Topology Modeling for Self-Supervised Learning on Parametric CAD

Computer aided design (CAD) is ubiquitous: virtually any modern object was designed using editable CAD tools. However, with the shortage of available CAD datasets in its native editable and parametric format, boundary representation (B-Rep), it is ever more important to develop data-efficient methods for this domain. We present a new self-supervised pretraining task, Masked Topology Modeling (MTM), that leverages the face-adjacency graph, an induced structure unique to B-reps that the encoder can be asked to reconstruct. MTM masks a fraction of edges and trains a small head to predict each masked edge's convexity and curve type from the encoder's post-message-passing face features. We combine MTM with a MoCo-style momentum-queue contrastive learning over B-rep-aware augmentations, a BFS-connected face-region masked-reconstruction objective, and pretraining on the ABC dataset and our new procedurally generated dataset to show strong performance on a number of benchmarks.

arXiv:2602.22284v3cs.LG

BrepCoder: 다중 작업 B-rep 추론을 위한 통합 멀티모달 대규모 언어 모델

BrepCoder: A Unified Multimodal Large Language Model for Multi-task B-rep Reasoning

산업 표준 B-rep 입력으로 completion, 오류 수정, CAD-QA 등 다양한 CAD 작업을 하나의 통합 멀티모달 LLM으로 수행하는 BrepCoder를 제안하며, CAD 모델링 시퀀스를 Python 유사 코드로 변환해 B-rep와 정렬한 뒤 역설계 사전학습과 다운스트림 확장의 2단계 학습으로 기하 특징과 설계 논리를 학습한다. B-rep를 구조적 코드로 해석함으로써 작업별 모델 대비 다양한 CAD 과제에서 우수한 일반화를 달성하고 범용 CAD 에이전트로서의 가능성을 보인다.

arXiv:2606.17696v1cs.AI

FllumaOne: 실행 가능한 프로그램과 커널 검증된 특징 이력을 포함하는 코드 기반 멀티모달 CAD 데이터셋

FllumaOne: A Code-Native Multimodal CAD Dataset with Executable Programs and Kernel-Validated Feature Histories

파라메트릭 컴퓨터 지원 설계(CAD)는 최종 형상과 부품을 편집할 수 있는 방법을 결정하는 순서가 지정된 구축 이력을 모두 기록합니다. 따라서 편집 가능한 CAD 연구를 위한 데이터셋은 검증된 형상과 함께 모델링 연산, 파라미터, 특징 의존성을 제공해야 합니다. 우리는 Qt/C++ OpenCASCADE 기반 CAD 시스템인 Flluma 내의 실행 가능한 파이썬 프로그램에 의해 모델이 생성되는 코드 기반 멀티모달 CAD 데이터셋인 FllumaOne을 소개합니다. 각 샘플은 프로그램을 구조화된 특징 트리, 학습 지향 중간 표현, STEP 형상, 표면 점군, 자연어 설명, 메타데이터 및 8개의 표준 가시 엣지 렌더링과 정렬합니다. 주요 릴리스인 FllumaOne-100K는 4개의 템플릿 수준 복잡도 범위에 걸쳐 100,000개의 승인된 샘플을 포함합니다. 프로그램은 커널 형상, 솔리드 유효성 및 내보내기 검사 후에만 실행되고 보존됩니다. 릴리스 보고서는 또한 모달리티 완전성과 분할 수준 중복 테스트를 기록합니다. 80,000개의 샘플로 학습된 Qwen2.5-Coder-1.5B LoRA 기준선은 홀드아웃된 10,000개 샘플 테스트 분할에서 99.98%의 파이썬 구문 유효성, 99.97%의 Flluma 빌드 성공률, 99.14%의 STEP 내보내기 유효성을 달성했습니다. 표면 점군으로 변환된 9,909개의 예측에 대해 평균 정규화 샤피어 거리는 0.002124입니다. 이 데이터셋은 조건부 CAD 재구성, 실행 가능한 프로그램 합성, 특징 트리 예측, B-Rep 분석, 검색, 설계 완성 및 편집 가능한 리버스 엔지니어링을 지원합니다.

arXiv:2602.07429v2cs.LG

Brep2Shape: 자기지도 트랜스포머를 통한 경계 및 형상 표현 정렬

Brep2Shape: Boundary and Shape Representation Alignment via Self-Supervised Transformers

경계 표현(B-rep)은 컴퓨터 지원 설계(CAD)의 업계 표준입니다. 심층 학습이 B-rep 모델 처리에 잠재력을 보이지만, 기존 방법들은 표현 격차라는 문제를 겪습니다. 연속적 접근법은 해석적 정밀도를 제공하지만 시각적으로는 추상적인 반면, 이산적 방법은 기하학적 정밀도를 희생하여 직관적 명확성을 제공합니다. 이러한 격차를 해소하기 위해, 우리는 추상적인 경계 표현을 직관적인 형상 표현과 정렬하도록 설계된 새로운 자기지도 사전학습 방법인 Brep2Shape를 소개합니다. 우리의 방법은 모델이 매개변수화된 베지어 제어점으로부터 조밀한 공간 점을 예측하도록 학습하는 기하학 인식 작업을 사용하여, 네트워크가 추상 계수에서 파생된 물리적 다양체를 더 잘 이해할 수 있게 합니다. 이러한 정렬을 강화하기 위해, 우리는 고유한 기하학적 속성을 포착하기 위해 곡면과 곡선 토큰을 독립적으로 인코딩하는 병렬 스트림을 갖춘 듀얼 트랜스포머 백본을 제안합니다. 또한, 위상 어텐션을 통합하여 곡면과 곡선 사이의 상호 의존성을 모델링함으로써 위상 일관성을 유지합니다. 실험 결과 Brep2Shape가 상당한 확장성을 제공하며, 다양한 다운스트림 작업에서 최첨단 정확도와 더 빠른 수렴을 달성함을 보여줍니다. 코드는 이 저장소에서 확인할 수 있습니다: https://github.com/thuml/Brep2Shape.