Intent2CAD: come la supervisione semantico-parametrica modella la generazione da testo a CAD

Abstract degli autori

La generazione da testo a CAD mira a rendere la modellazione CAD più accessibile creando programmi CAD eseguibili a partire da descrizioni in linguaggio naturale. Tuttavia, i flussi di lavoro CAD pratici richiedono più della semplice geometria eseguibile: i programmi generati dovrebbero anche esporre una struttura riutilizzabile che ne supporti le modifiche successive. Introduciamo la generazione da testo a CAD orientata all’intento, in cui l’intento progettuale è espresso tramite segnali recuperabili a livello di codice: caratteristiche semantiche, parametri riutilizzabili e relazioni parametriche leggere. Anziché modificare l’architettura del modello o la procedura di decodifica, analizziamo come la granularità della rappresentazione della supervisione influenzi sia la generazione CAD sia la modifica zero-shot che preserva l’intento. Per condurre questo studio, realizziamo IntentCAD-100K, un dataset di 100.000 coppie testo-codice ottenuto convertendo tracce di costruzione CAD a basso livello in programmi CadQuery eseguibili. Realizziamo inoltre IntentCAD-Edit-1K per valutare la modifica zero-shot che preserva l’intento, adottando la stessa prospettiva rappresentazionale. Intent2CAD usa una pipeline di lifting conservativa in due fasi: il lifting semantico riscrive gruppi affidabili di primitive come operazioni a livello di feature, mentre il lifting parametrico rende esplicite relazioni parametriche leggere. In condizioni di fine-tuning controllate, il lifting semantico migliora soprattutto l’affidabilità della generazione e il recupero delle feature, riducendo l’IR dal 2,39% allo 0,22% e raggiungendo un recupero delle API del 99,96%; il lifting parametrico rende esplicita la struttura delle relazioni riutilizzabili e migliora ulteriormente la modifica zero-shot consapevole delle relazioni. I dataset e il codice sono disponibili all’indirizzo https://github.com/JinboYang94/Intent2CAD.