Conference

AutoBrep: Autoregressive B-Rep Generation with Unified Topology and Geometry

Xiang Xu, Pradeep Kumar Jayaraman, Joseph G. Lambourne, Yilin Liu, Durvesh Malpure, Pete Meltzer

Autodesk Research

SIGGRAPH Asia 2025Neural & GenerativeB-Rep GenerationCAD ModelingAutoregressive TransformerDiscrete TokenizationTopology Encoding
PaperCode

一句话总结

AutoBrep 用一个 GPT 式自回归 Transformer，把 CAD 边界表示（B-Rep）的几何与拓扑统一编码为一串离散 token，通过下一 token 预测直接端到端生成高质量、水密的 B-Rep 实体。

研究背景

B-Rep 是 CAD 中定义实体模型的标准数据结构，由顶点、边、环、面等拓扑元素及其承载的点、曲线、曲面等几何元素相互链接构成，是精确建模、仿真与制造的基础。自动生成高质量 B-Rep 有望重塑传统 CAD 设计流程。

现有深度学习方法分两条路线。一是”草图-拉伸”式的序列生成，先生成草图与拉伸/旋转等参数化建模指令再重建成 B-Rep，水密性和可编辑性好，但受限于建模序列数据集规模较小，且支持倒角、圆角等特征需要大量额外工作。二是直接生成，直接合成面、边等实体再缝合成实体，可利用大规模原始 B-Rep 数据、天然支持自由曲面，但要保证水密性和有效性很难，因为预测出的 B-Rep 元素必须精确对齐。

直接生成方法在历史上多采用多阶段训练：SolidGen 用三个独立模型分别生成顶点、边、面；BrepGen 有两个自编码器加四个扩散模型共六个模块。多阶段带来推理时误差累积、难以学习实体间联合分布、难以扩展到复杂模型等问题。AutoBrep 的目标就是用单一自回归模型统一几何与拓扑，克服这些痛点。

方法

整体框架

AutoBrep 分两大部分：先用离散表示学习把面/边的几何压缩为紧凑的潜在 token，再用统一 tokenization 把几何、包围盒与拓扑串成序列，交给自回归 Transformer 做下一 token 预测。序列顺序遵循 B-Rep 面邻接图的广度优先遍历（BFT）。

flowchart TD
    A[B-Rep 实体] --> B[面/边采样为点网格 32x32]
    B --> C[深度压缩自编码器压缩]
    C --> D[FSQ 有限标量量化<br/>离散几何 token]
    A --> E[面邻接图广度优先遍历 BFT]
    E --> F[几何 token F/E + 包围盒 C<br/>+ 局部拓扑参照 token T]
    D --> F
    F --> G[GPT 式自回归 Transformer<br/>下一 token 预测]
    G --> H[后处理: B 样条拟合 + 缝合]
    H --> I[水密 B-Rep 实体]

关键设计

  1. 统一离散 tokenization：把每个面表示为参数域内均匀采样的 \(32\times32\) 点网格、每条边为 \(32\) 点的一维网格，用深度压缩自编码器压缩后再用 FSQ 量化成离散 token（面 4 个、边 2 个 token，码本大小 \(\mathrm{prod}([8,5,5,5])=1000\)）。每个几何 token 配一组量化到 1024 个 bin 的 3D 包围盒 token \(C\)，用来还原全局位置与尺寸。FSQ 相比 VQ-VAE 无需辅助损失即可自动最大化码本利用率。

  2. 广度优先遍历（BFT）定序：把面看作节点、边看作连接，从实体左下角的面出发按层遍历。每到新一层就加入未访问的邻接面及连回上一层的边；边在其两个相连面都遍历后立即被 token 化并分组，体现”边来自面相交”的自顶向下视角。相比按全局坐标排序，BFT 显著提升有效率与覆盖率。

  3. 局部拓扑参照 token \(T\)：由于 BFT 中某层的边只可能连到上一层或同层更早的面，边的面-边关联被限制在最近两层的局部窗口内。\(T\) 只在这个动态滑动的局部窗口内给面编号（\(T_0, T_1, \ldots\)），随遍历推进而重置更新。实验证明局部参照相比全局参照对性能至关重要。分配 200 个面 ID 可支持跨两层最多 200 个面。

  4. 自回归预训练 + 微调补全：用交叉熵下一 token 预测预训练基础模型，训练时随机旋转改变遍历起点以减少过拟合，并用”层级注意力 dropout”随机屏蔽局部窗口外的 token，促使模型关注局部结构。之后在 ABC-Constraint 上做监督微调支持 B-Rep 自动补全：把用户给定面作为第一层 token 附在序列开头，只对生成层计算损失，从而保证用户面被精确保留（用哑元 token \(T_u\) 处理尚未连接的悬挂边）。

实验结果

在自建的 ABC-1M 数据集（约 130 万唯一实体）上做无条件生成评测。BrepGen 与 HoLa 在同数据集上重训（最多 100 面），DTGBrepGen 用其发布模型。指标含覆盖率 COV、最小匹配距离 MMD、JS 散度 JSD、Novel、Unique、Valid 及每面平均推理时间（MMD 与 JSD 乘以 \(10^2\)）。

方法 COV % ↑ MMD ↓ JSD ↓ Novel % ↑ Unique % ↑ Valid % ↑ Time ↓
DTGBrepGen* 59.39 1.60 1.47 - - 64.3 0.69
BrepGen 67.41 1.91 3.50 99.7 94.5 46.6 1.25
HoLa 67.80 1.62 2.86 99.8 95.3 54.8 1.68
AutoBrep coord 66.28 1.53 1.61 99.9 95.8 63.6 0.49
AutoBrep global 68.09 1.58 1.03 99.7 94.5 65.3 0.48
AutoBrep 71.49 1.45 0.97 99.8 93.7 70.8 0.46

AutoBrep 在覆盖率、MMD、JSD 上全面领先，有效率最高达 70.8%，推理速度也最快（得益于自回归模型可用 KV 缓存，而扩散基线不能）。随面数增加，基线有效率快速下降，AutoBrep 在多达 100 面时仍保持约 50% 有效率。消融显示：去掉局部窗口改用全局参照（AutoBrep global）、或改按全局坐标排序（AutoBrep coord），几乎所有指标都下降。

亮点与局限

亮点：

  • 把几何与拓扑统一为单一离散 token 流，用一个自回归 Transformer 联合建模，把模块数从六个（BrepGen）减到三个（含两个编码器），训练流程大幅简化。
  • 相比多阶段扩散方法，推理提速 2× 到 5×，生成质量与水密率更高。
  • 可扩展到远超基线（约 50 面）的复杂实体，同时保持更高有效率与水密率。
  • B-Rep 自动补全在统一 tokenization 下是特例，可保证用户提供的面被精确保留，适合装配接口约束下的可控生成。

局限：

  • 存在典型失败情形：面在狭小空间密集堆叠时的自相交；螺纹（螺钉）等细长缠绕面难以正确生成；薄壳结构产生伪影。
  • 生成结果仍依赖 OpenCascade 的后处理缝合，靠其鲁棒性容忍轻微不一致才能重建实体。
  • 局部参照上限为跨两层 200 个面，超复杂拓扑的支持仍有边界。

延伸思考

把 CAD B-Rep 生成彻底”语言模型化”是这篇工作最有想象力的地方：一旦几何与拓扑都成为离散 token，NLP 领域成熟的可扩展性（长序列、KV 缓存、GPT 架构）与可控性（条件前缀、微调）就能直接迁移过来，自动补全就是最自然的”前缀续写”。这也提示未来可探索文本、图像等多模态条件到 B-Rep 的统一生成，或复用大模型的指令微调范式做交互式 CAD 编辑。另一方面，螺纹、薄壳等失败案例说明纯离散点网格表示对高频/极端长宽比几何仍有精度瓶颈，如何在 token 化中保留参数曲面的解析先验，或将有效性检查纳入训练回路（而非仅靠后处理），是值得深入的方向。