Journal

B-rep Matching for Collaborating Across CAD Systems

Benjamin T. Jones, James Noeckel, Milin Kodnongbua, Ilya Baran, Adriana Schulz

University of Washington; PTC

SIGGRAPH 2023Geometry & ModelingComputer-Aided DesignB-repGeometric CorrespondenceGraph Neural NetworkParametric Modeling
Paper

一句话总结

针对跨 CAD 系统协作时”模型更新后引用失效”的痛点，本文提出首个全自动、基于学习的算法，直接在共享交换格式 B-rep（边界表示）上，为原始模型与更新模型的拓扑实体（面、边、点）自动建立对应关系，从而让引用能在版本迭代间自动重新绑定。

研究背景

  • 领域现状：现代 CAD 系统靠”持久引用”（persistent referencing）让特征操作（如倒角引用某条边）在参数变化后仍能锁定正确实体。但这些引用机制是专有的，且依赖程序历史（构造模型的操作序列）。
  • 核心痛点：跨系统共享模型只能用 B-rep 这类交换格式，而 B-rep 不携带任何程序历史，导致内部引用机制失效。用户每次重新导入被别的系统更新过的模型，都得手动重指定所有引用。
  • 本文 idea：既然程序历史无法跨系统复制，那就用数据把它”学出来”——把持久引用问题转化为纯几何/拓扑匹配问题，直接在 B-rep 上找两版模型间的实体对应，从而与具体 CAD 系统无关。

方法

整体框架:方法核心是对两张 B-rep 图 \(\boldsymbol{B}_o\)（原始）与 \(\boldsymbol{B}_u\)（更新）做迭代式贪心匹配。基于两个观察——匹配既依赖几何又依赖拓扑邻域信息；模型更新对实体的影响是非均匀的（有的区域几乎不变，有的剧烈变化）——作者用”先易后难”的迭代策略:先用保守的几何算法把没变过的实体匹配上作为引导（bootstrap），再借助已知匹配一步步推断更难的匹配。每一步选出概率最高的一对加入部分匹配，然后重算剩余候选分数，直到最高分低于用户设定阈值。

flowchart LR
  A["原始 B-rep Bo / 更新 B-rep Bu"] --> B["SB-GCN 编码每个实体的几何+拓扑embedding"]
  B --> C["精确几何匹配bootstrap初始部分匹配"]
  C --> D["GAT 跨两图消息传递融入部分匹配先验"]
  D --> E["MLP 对候选实体对打分"]
  E --> F["贪心选最高分匹配加入"]
  F --> G{"最高分 < 阈值?"}
  G -->|否| D
  G -->|是| H["输出实体级对应 M"]

关键设计:

  1. 迭代打分公式:核心是一个条件概率打分器 \(p_\theta(i,j \mid \boldsymbol{B}_o, \boldsymbol{B}_u, \boldsymbol{M}_n)\)，它不仅看两模型的几何拓扑，还以当前部分匹配 \(\boldsymbol{M}_n\) 为条件。更新规则为 \(\boldsymbol{M}_{n+1} = \boldsymbol{M}_n \cup \max_{(i,j)\in C} p_\theta(i,j \mid \boldsymbol{B}_o, \boldsymbol{B}_u, \boldsymbol{M}_n)\)，候选集 \(C\) 限制为同类型实体配对（面配面、边配边）。阈值可在运行时调节精度-召回权衡。

  2. 网络架构:先用分层图卷积网络 SB-GCN(6 层、64 维 embedding)编码每个 B-rep 实体的参数几何、数值统计量(包围盒、面积、质心)与拓扑图。再构造一张”联合图”:把两个 B-rep 内部拓扑以及已知匹配作为跨图边(prior-match 边)统一进来,用带附加边消息的图注意力网络 GAT(4 层、8 头)做图内与跨图消息传递。最后把候选对的 embedding 拼接送入 2 层 MLP 得到匹配分数。

  3. 精确几何匹配引导:CAD 迭代通常只改局部,大量实体保持不变。用 B-rep 内核(如 Parasolid)判定两实体是否重合;为提速只比较质心哈希相同的实体,并用”平移网格”(shifted grids)做容差内的确定性最近邻查找——\(D\) 维需 \(D+1\) 套边长 \((D+1)\delta\) 的网格,保证容差 \(\delta\) 内的点对必被某个网格单元同时覆盖。

  4. 面向精度的损失:CAD 应用里”错配”比”漏配”危害更大(错配会引发难调试的下游错误)。因此用加权二元交叉熵 \(\mathcal{L}(\hat{p}, p) = -[p\log(\hat{p}) + w\cdot(1-p)\log(1-\hat{p})]\),对负样本(不该匹配)加权 \(w=2\)。训练时每个 epoch 随机取 50% ground truth 作为部分匹配条件,训 1000 epoch。

数据方面,作者从 Onshape 公共库爬取 2400 个人造模型,在 CAD 脚本环境内程序化施加两类变化——构造性操作(打孔、倒角、拉伸增删材料,主要改拓扑)和几何形变(直接编辑移动实体组,主要改形状位置),并利用系统内部的实体跟踪机制自动产出 ground truth 匹配标签。过滤后得到 2266 个原始模型、6257 个变体,按原始模型 80-10-10 划分。

实验结果

在完整合成数据集(阈值 0.7)上,方法对面/边/点的正确标注率分别达 91.5%/92.1%/94.9%,错误率仅 2.8%/1.9%/1.1%。下表为完整合成数据上各类实体分布(占 \(\boldsymbol{B}_u\) 实体百分比):

类别 面 边 点
True Positive 62.0% 51.6% 43.8%
True Negative 29.5% 40.5% 51.1%
Missed(漏配) 5.6% 6.0% 4.0%
Incorrect(错配) 2.0% 1.2% 0.5%
False Positive 0.8% 0.7% 0.6%
正确标注合计 91.5% 92.1% 94.9%

对比三种确定性基线(重合匹配、重叠匹配、邻接传播)与一个对比学习(CLR)基线,本方法全面领先:相比精确匹配在面/边/点上分别提升 50.2/37.1/26.3 个百分点;相比 CLR 提升 48.5/35.4/25.8 个百分点。消融显示”迭代 + 部分匹配预条件”是最关键组件,去掉会显著变差;完全去掉几何匹配初始化会使面/边/点分别下降 8.1/7.2/5.7 个百分点。在 16 个专家真实数据样本(经 CAD 专家人工标注验证)上,正确标注率仍达面 89.5%/边 87.1%/点 88.8%,证明合成数据训练可泛化到真实工作流。

亮点与局限

  • 亮点:
    • 首个全自动、无需手工规则的跨 CAD 系统 B-rep 实体匹配学习方法,直接工作在通用交换格式上,与具体 CAD 系统解耦。
    • “先易后难”的迭代 + 部分匹配预条件设计巧妙地把已知匹配的邻域信息传递给难匹配实体,消融证明这是性能核心。
    • 用 CAD 系统自带的程序化实体跟踪自动生成大规模带标签训练数据,并开源数据集与代码,解决了该任务缺乏监督信号的难题。
    • 面向应用侧重精度(加权损失偏向不误配),契合 CAD 引用的真实需求。
  • 局限:
    • 对应关系本身常有歧义,ground truth 来自 Onshape 的启发式跟踪,未必符合所有用户预期。
    • 只做一对一匹配,回避了 CAD 引用中真实存在的一对多/多对一情况。
    • 只处理单体(single-body)模型,多体模型需先做体级匹配或合并,自动体匹配留作未来工作。
    • 现有几何特征有限,基线仅依赖精确重叠几何,无法处理部件的旋转/平移。

延伸思考

这项工作把”程序历史”这一 CAD 专有信息用数据驱动方式在纯几何表示上重建,思路上与网格/点云的形状对应研究相通,但强调离散实体级、保守(重精度)的匹配目标。作者指出的两个方向都很有想象空间:一是把该对应能力反哺到”直接编辑 + 程序表示同步”的 CAD 操作新范式,解决直接编辑破坏持久引用的老问题;二是把从 B-rep 学到的对应迁移到只有网格形式的海量 CAD 模型上,为形状对应提供新视角。引入更强的形状描述子(曲率、二面角、球谐等 CAD 检索文献中的特征)有望进一步提升鲁棒性,尤其应对当前基线失效的刚体旋转/平移场景。