Ripensare il passaggio dall’intento umano al CAD: generazione di modelli CAD parametrici tramite Cooperative Multi-Task Alignment e Spatial-Aware Reinforcement Learning

Abstract degli autori

Creare modelli parametrici di progettazione assistita dal computer (CAD) a partire dall’intento umano resta difficile, soprattutto nella fase di progettazione concettuale, quando gli obiettivi sono espressi in forme incomplete e non strutturate, come schizzi a mano e descrizioni testuali. In questo lavoro ripensiamo il processo che porta dall’intento umano al CAD e proponiamo un metodo unificato che traduce direttamente intenti umani a più livelli in codici eseguibili, senza presupporre l’esistenza di modelli CAD obiettivo. A sostegno dello studio, abbiamo creato HiCAD, il primo dataset su larga scala che mette in corrispondenza schizzi a mano, descrizioni testuali e codici CAD parametrici. Su questa base presentiamo HiCAD, un framework in due fasi che comprende Cooperative Multi-Task Alignment, per colmare il divario di rappresentazione tra input eterogenei, e Spatial-Aware Reinforcement Learning, per garantire la coerenza geometrica e topologica. Esperimenti approfonditi mostrano che il nostro metodo supera nettamente i metodi di riferimento esistenti in diversi compiti, confermandone l’efficacia e la robustezza nel trasformare intenti umani eterogenei in modelli CAD parametrici ad alta fedeltà. Pagina del progetto: https://zqwlearning.github.io/HiCAD.