HiFi-BRep: 面向鲁棒B-Rep生成的高保真潜在表示

TL;DR HiFi-BRep 用拓扑感知编码器消除 padding 噪声与特征污染，并以单阶段解码器并行预测几何和拓扑，将流形约束化为可微目标，显著提升 B-Rep 生成的结构有效性与几何保真度。

问题

问题背景

边界表示(B-Rep)是CAD系统的核心数据结构，直接生成高保真且结构有效的B-Rep对智能设计自动化至关重要。当前领域关注如何用深度生成模型摆脱对人工模板的依赖，实现从无到有或条件驱动的几何建模。

现有方法局限

现有深度生成B-Rep的方法主要存在两类脆弱性：

• 表示脆弱性：常见做法是将变长拓扑与几何序列填充(padding)到固定长度再输入Transformer，引入大量填充噪声；同时拓扑和几何特征在潜在空间中未经约束地混合，导致特征污染，破坏潜在空间的语义一致性。
• 生成脆弱性：许多方法采用顺序解码，先拓扑后几何或反之，误差会逐步累积；为保证流形有效性，训练时常用代理损失或后处理修正，但推理时无法保证可微约束，造成训练-推理不一致。

难点与重要性

B-Rep本身具有非欧几里得拓扑结构和严格的流形约束(如边共享、面封闭)，将这种结构化数据映射到连续潜在空间极具挑战。同时，工业设计对生成结果的有效性要求近乎零容忍，任何无效实体都无法进入后续仿真或制造流程。这使得B-Rep生成成为几何深度学习与生成建模交叉的前沿难题，吸引了大量学术和工业界投入。

行业类比

这一挑战与图像生成从像素空间自回归转向潜空间扩散的演进类似：当生成对象具备强结构先验时，需要高保真潜在表示与端到端可微约束相结合，而非依赖后处理补救。

核心洞察

• HiFi-BRep 的核心洞察之一是用可学习查询替代固定填充，从而构建不混入噪声的 B-Rep 潜在表示。现有基于 transformer 的 B-Rep 编码器通常将变长的面、边、顶点填充到固定长度，这会在潜在空间中引入无关的 padding 噪声并导致特征污染。HiFi-BRep 的拓扑感知编码器通过可学习查询动态匹配拓扑元素，并利用拓扑引导注意力只让同类元素交互，避免了跨类型特征混合，使得潜在表示更能反映真实几何与拓扑结构，为下游生成提供了更干净的训练信号。
• HiFi-BRep 将流形有效性从推理时的非可微后处理转变为训练时的可微目标，实现了单阶段并行解码。以往方法常采用序列生成拓扑和几何，并在推理阶段用不可微规则强制流形约束，导致训练与推理不一致。HiFi-BRep 在单一解码器中并行预测几何和拓扑，并将核心流形约束嵌入损失函数，使模型在训练时就学会生成结构有效的 B-Rep，消除了推理时的修正步骤，同时并行预测让几何与拓扑相互引导，避免了顺序生成中的误差累积，显著提高了生成质量和鲁棒性。

方法

输入与编码

输入为 B-Rep 结构，由拓扑图（面、边、顶点及其连接关系）和几何参数（NURBS 曲面/曲线控制点等）构成。HiFi-BRep 使用 拓扑感知双流编码器 分别处理拓扑与几何信息：

• 采用 可学习查询（learnable queries）替代固定长度 padding，消除填充噪声，动态聚合有效特征。
• 引入 拓扑引导注意力（topology-guided attention），根据拓扑邻接关系约束注意力范围，防止不同拓扑元素间特征污染。 编码器输出高保真潜在表示，进入统一的潜在空间。

关键模块

• 单阶段有效性约束解码器：不采用顺序预测，而是并行输出几何与拓扑，避免级联误差；同时将核心流形约束（如边-面一致性、非流形边惩罚、法向连续性等）转化为可微损失项，作为学习目标直接优化，消除训练-推理不一致。
• 潜在扩散：在统一潜在空间中执行扩散过程，生成多样化样本，同时保持结构一致性。
• 训练目标联合优化几何重建误差、拓扑交叉熵及流形约束惩罚。

输出

直接输出完整 B-Rep 结构，无需后处理修正。

差异点：与现有方法相比，HiFi-BRep 通过可学习查询与拓扑引导注意力消除表示脆性，并以单阶段并行解码配合可微流形约束解决生成脆性，实现高保真与结构有效性的协同提升。

实验

实验设计与评估

论文在 ABC 数据集上验证无条件 B-Rep 生成、重建鲁棒性、条件生成(类 / 点云 / 草图 / 视图)与消融。评估协议区分 结构有效性(拓扑流形约束)与 几何保真度(形状误差)。未提供具体数值指标,但结论指向显著优于现有基线。

关键发现

• 表示脆弱性 通过 learnable queries 消除 padding,并利用 topology-guided attention 防止特征污染,提升表征质量。
• 生成脆弱性 通过单阶段并行解码避免串行误差传播;将核心流形约束转化为可微分学习目标,缩小训练与推理差异。
• 消融验证了高保真表示与单阶段解码的协同作用;额外测试显示对点云、草图等条件输入具有泛化能力。

与基线对比的工程解读

典型 B-Rep 生成基线常采用 填充 + 串行自回归 或 后处理修复 策略,导致表示噪声与不可微约束带来的 train-inference mismatch。HiFi-BRep 将几何与拓扑联合预测,并以可微分目标约束拓扑有效性,避免了非端到端修复。对实际部署而言,这一设计减少了对后处理管线依赖,同时改善了反向传播时的梯度链路;但需要关注查询数量与拓扑图规模对训练成本的影响。代码公开于 GitHub。

行业影响

落地场景

HiFi-BRep 可直接用于需要高质量 B-Rep 生成的工业与消费级产品：

• CAD 辅助设计：在 SolidWorks、Fusion 360 等工具中，从草图或点云自动生成可编辑的实体模型，加速概念设计。
• 电商定制：用户上传手绘草图或单张照片，平台实时生成 3D 商品模型（如家具、珠宝、鞋履），提升在线定制体验。
• 逆向工程与数字孪生：从 3D 扫描点云重建精确 B-Rep，用于设备维护、质量检测。

商业价值

• 降本：减少人工建模与修复拓扑错误的时间，尤其对于复杂曲面零件，可将设计周期从数天压缩到分钟级。
• 增收：支持大规模个性化定制（如按用户草图生成商品模型），提高转化率与客单价。
• 体验提升：模型结构有效、几何保真，可直接用于渲染、仿真与制造，减少来回修改。

集成接口

• 标准格式输出：生成 STEP/IGES 等通用 B-Rep 文件，无缝对接现有 CAD/CAM/CAE 工作流。
• 插件或微服务：封装为 Python API 或 Docker 容器，嵌入设计平台（如 Onshape、FreeCAD）或云端 CAD 服务。
• 条件生成接口：支持点云、草图、单视图等条件输入，便于与前端交互工具（如平板手绘、AR 扫描）集成。

具体案例：电商平台的定制眼镜业务，用户上传侧脸照片，HiFi-BRep 生成可 3D 打印的镜框 B-Rep，系统自动校验可制造性并报价，实现从照片到成品的闭环。

局限

• **可扩展性与计算开销**：topology-aware encoder 使用 learnable queries 消除 padding，但注意力机制和可微分流形约束的优化可能带来较高内存占用。对于包含大量面、边、顶点的复杂 CAD 模型，模型训练和推理的时间成本可能显著上升。论文未报告在大规模真实数据集（如 Fusion 360 全集）上的效率对比，工程部署时需进一步评估其可扩展性。
• **流形约束的可微近似无法完全保证有效性**：将流形约束作为可微学习目标，虽然缓解了 train-inference mismatch，但软约束或近似求解无法严格保证生成结果满足所有拓扑流形条件。生成结果可能仍需要后处理修复，这削弱了端到端生成的优势。与基于严格拓扑构造的方法（如 CSG）相比，在处理未见过的复杂拓扑组合时，无效拓扑的风险依然存在。
• **条件生成与泛化性受限**：论文在 ABC 数据集上验证了多种条件生成（类条件、点云、草图等），但 ABC 数据集相对规整，缺少真实 CAD 中常见的自由曲面、倒角、混合特征等复杂元素。模型对这类数据的生成质量和拓扑一致性尚未验证。此外，latent diffusion 基于自动编码得到的潜在空间，其性能高度依赖编码器精度，编码器对 B-Rep 变体的鲁棒性不足时，扩散生成可能放大偏差。