BrepForge: Factorized B-rep Synthesis via Wireframe Composition and Boundary-Conditioned Surface Instantiation

一句话总结

BrepForge 观察到 B-rep 中线框（拓扑）承载了远高于面（几何）的信息熵，据此把 B-rep 生成拆成”线框合成 + 边界约束的曲面实例化”两个阶段，用面感知的自回归模型先搭出拓扑闭合的骨架，再借助解析几何先验把曲面生成变成受约束的精修任务，从而在几何复杂度和拓扑有效性上超越现有方法。

研究背景

边界表示（B-rep）是现代 CAD 的事实标准，能对实体几何给出数学精确的描述。但基于学习的 B-rep 合成一直很难，核心难点在于离散拓扑与连续几何紧密耦合。

已有方法各有短板：

• 命令式方法（DeepCAD、SkexGen 等）通过预测建模操作序列间接生成，但大多局限于”草图-拉伸”这类简单模式，且依赖稀缺的完整建模历史数据。
• 多阶段直接合成（SolidGen、BrepGen、DTGBrepGen）把生成拆成级联子网络逐个预测图元，容易出现级联误差累积，早期的小误差会导致最终 B-rep 无效。
• 单阶段端到端方法（HoLa-Brep、AutoBrep、BrepGPT 等）把所有几何实体压进统一图或一维长序列，学习负担重、训练不稳定，难以扩展到复杂模型。

作者提出一个关键洞察：B-rep 存在信息不对称——线框相比面承载了不成比例的大量信息。因为多数面来自低次典范图元（平面、圆柱），其内部几乎完全由边界决定；即便是自由曲面（NURBS）也被边缘骨架强约束。一旦线框确定，可行曲面空间就高度受限。因此把整个 B-rep 当作单体建模是冗余的。

方法

BrepForge 把 B-rep 合成分解为两阶段：先自回归生成拓扑一致的线框，再在边界约束下实例化曲面几何。

flowchart TD
    A["B-rep 归一化到单位立方体"] --> B["顶点/边分词"]
    B --> C["面感知自适应序列化 V-E-F"]
    C --> D["层次结构嵌入"]
    D --> E["解码器 Transformer 自回归生成线框"]
    E --> F["拓扑闭合的线框骨架"]
    F --> G["解析面先验生成 Newell法向+二次曲面拟合"]
    F --> H["局部边界编码"]
    G --> I["先验引导的交叉注意力聚合"]
    H --> I
    I --> J["全局跨面 Transformer 精修"]
    J --> K["几何头/图元头/包围盒头"]
    K --> L["OpenCascade 内核装配成实体"]

阶段一：面感知自回归线框生成

• 分词：顶点用 10-bit 均匀网格量化到 \(\{0,1,\dots,1023\}\)，落入同格的顶点合并。边采用分层混合编码：直线不编码几何（由端点隐式确定），圆弧用量化中点 + 两端点三点定义，复杂曲线（椭圆、B样条等）先采样 32 点再用 RQ-VAE 压成 12 个离散 token。
• 自适应面感知序列化：暂时放松全局流形约束，把线框拆成独立面的集合。每个面 \(S_i\) 序列化为有序边界环（外环逆时针、内环顺时针），环内做顶点-边交错遍历：

\[S_i = [\langle \text{face\_start} \rangle, \langle \text{loop\_start} \rangle, \boldsymbol{v}_1^i, \langle \text{edge\_type} \rangle, \boldsymbol{e}_1^i, \boldsymbol{v}_2^i, \cdots]\]

各面序列按规范顺序拼接成完整线框 \(S = S_1 \oplus S_2 \oplus \cdots \oplus S_{N_f}\)。全局 V-E-F 拓扑之后可通过合并同坐标顶点、合并重合边来恢复。

• 层次结构嵌入：每个 token 关联一个五元结构多重索引 \(I(S_k \mid S_{\lt k}) = (I_{\text{face}}, I_{\text{loop}}, I_{\text{type}}, I_{\text{geom}}, I_{\text{intra}})\)，编码其在 B-rep 层级中的角色而非绝对位置，带来结构不变性。

阶段二：边界约束的曲面实例化

• 对称不变面表示：面归一化后在 UV 域采 \(32 \times 32\) 网格得到 \(\boldsymbol{f}_i \in \mathbb{R}^{N \times N \times 3}\)。针对 UV 域固有的 \(D_4\) 对称（一个物理面对应 8 种网格排布），做确定性几何规范化（按 \(L_1\) 能量最大象限对齐左上），再用 CNN-VAE 压成 48 维隐码。
• 解析面先验：用 Newell 算法估计稳健法向、投影建立局部正交基、拟合二次曲面、在外环包围盒上采 \(32 \times 32\) 网格，得到先验 \(\boldsymbol{f}_i^{\text{prior}}\)。内环空洞不显式裁剪，交给 CAD 内核最终处理。
• 精修网络：边界边用 1D 卷积（局部曲率）+ MLP（全局顶点对）双路编码；用门控残差交叉注意力把边界特征聚合到面描述子：

\[\boldsymbol{h}_i = \text{LayerNorm}(\boldsymbol{q}_i + g \cdot \text{Attn}(\boldsymbol{q}_i, \boldsymbol{K}_i, \boldsymbol{V}_i))\]

再用全局跨面 Transformer 做自注意力保证一致性，最后三个预测头分别回归隐码、分类图元类型（平面/圆柱/球/复杂）、精修包围盒。多任务损失为：

\[\mathcal{L} = \mathcal{L}_{\text{geom}} + \lambda_{\text{box}} \mathcal{L}_{\text{box}} + \lambda_{\text{type}} \mathcal{L}_{\text{type}}\]

推理时按类型做曲面拟合，与线框整合后用 OpenCascade 装配成实体。

实验结果

在 ABC 数据集（过滤后约 280k 单体模型，90/5/5 划分）上评测。无条件 B-rep 生成的主要结果如下，其中 CC 为圈复杂度，衡量结构复杂性：

Method	COV (%↑)	MMD (↓)	JSD (↓)	Novel (%↑)	Unique (%↑)	Valid (%↑)	CC (↑)
BrepGen	66.17	1.65	1.74	99.6	96.6	60.0	28.9
DTGBrepGen	65.99	1.63	1.61	99.7	96.4	64.6	32.6
BrepDiff	66.03	1.69	1.58	99.7	96.0	62.5	32.1
Ours w/o refine	59.45	2.01	1.97	99.1	95.6	57.4	35.3
Ours w/o prior	69.98	1.43	1.19	99.8	97.1	66.2	44.7
Ours	72.65	1.24	0.92	99.8	97.3	70.9	47.2

BrepForge 在所有指标上均领先，有效性达 70.9%、CC 达 47.2，说明生成的模型拓扑更丰富、水密性更好。消融显示：去掉解析先验会明显掉点，去掉精修网络（直接用先验当最终曲面）掉得更狠，二者缺一不可。线框生成方面，无条件生成的 COV/MMD/JSD 全面优于 BrepGen、DTGBrepGen、CLR-Wire；点云条件重建仅用 4,096 点即以 CD 0.76、EMD 2.11、F-score 0.93 超越需 20,000 点稠密输入的 RFEPS 与 NerVE。

亮点与局限

亮点

• 抓住了 B-rep 中”线框高熵、曲面低熵”的信息不对称，把难题因式分解为拓扑合成与几何精修，从根本上缓解了单体建模的表示瓶颈。
• 面感知序列化把复杂全局拓扑拆成局部重复的几何单元，直接编码 V-E-F 层级并保证拓扑闭合，靠简单合并即可恢复全局拓扑。
• 学习无关的解析几何先验提供了高质量”热启动”（99.3% 包围盒、95.3% 曲面 CD 误差落在最低误差区间），让网络专注残差精修。

局限

• 自回归序列长度较大（排除了超 8,000 token 的极端样本），计算效率仍有提升空间，作者将其列为未来工作。
• 面自编码器目前靠确定性规范化处理 \(D_4\) 对称，尚未做到显式 \(D_4\) 不变，方向歧义仍需缓解。
• 周期曲面需沿缝边切开以避免先验构造歧义，属于对数据的预处理约束。

延伸思考

• “高熵结构 + 低熵几何”的因式分解思路可能推广到其它拓扑-几何强耦合的生成任务，比如网格、场景图或建筑结构生成，核心是识别哪部分是真正的决策瓶颈。
• 把不可学习的解析先验当作生成的初始猜测、再让网络只学残差，这种”传统几何算法 + 神经精修”的混合范式在几何生成里很务实，既降低学习负担又提升可控性与有效性。
• 有效性从约 60% 提到 70.9% 仍不算高，说明纯学习方法离工业级 CAD 的严格拓扑要求还有距离；把 CAD 内核的几何约束更深地嵌入生成回路，或许是下一步关键。