BrepGen: A B-rep Generative Diffusion Model with Structured Latent Geometry

一句话总结

BrepGen 把 CAD 的边界表示（B-rep）编码成一棵「结构化隐几何树」，用 Transformer 扩散模型自顶向下（面→边→顶点）逐级去噪节点特征，靠节点复制隐式编码拓扑，去噪后再合并重复节点恢复拓扑，从而首次用扩散模型直接生成含自由曲面、双曲面的水密 B-rep CAD 模型。

研究背景

几乎每个人造物都始于 CAD 模型，而 B-rep（Boundary Representation，边界表示）是描述 CAD 形状的主流格式，广泛用于自由曲面建模。一个 B-rep 由相互连接的面（face）、边（edge）、顶点（vertex）组成：面是参数曲面的可见区域，被相邻边围成的闭环裁剪；边是参数曲线被起止顶点裁剪的可见段；邻接关系被完整记录，共同描述最终实体。能直接生成 B-rep 的系统将极大简化 CAD 设计流程，减少对专业设计师和 CAD 软件的依赖。

但直接生成 B-rep 非常困难，主要有两点：其一，与三角网格不同，B-rep 含多种参数曲面与曲线类型（平面、圆柱、圆锥、球、圆环、Bezier、NURBS 等），每种几何有各自的定义和参数，难以统一生成；其二，所有几何之间的拓扑关系必须正确，才能构成水密（water-tight）实体。因此已有 CAD 生成模型大多绕开 B-rep，转而生成「草图 + 拉伸」（sketch and extrude）操作序列，但这只能表达有限范围的 3D 形状（线、弧、圆加拉伸）。少数能直接生成 B-rep 的方法如 SolidGen，也被局限于高度简化的棱柱形、非自由曲面。BrepGen 的目标就是用扩散模型无条件地同时生成正确的几何与拓扑，突破到自由曲面。

核心方法

BrepGen 的关键是把任意 B-rep 转成一棵固定图拓扑的层次树（结构化隐几何），其中节点特征编码几何、复制节点隐式编码拓扑；再训练 Transformer 扩散模型自顶向下顺序去噪，去噪后检测并合并「近似重复」的节点来显式恢复拓扑，最终输出 B-rep 实体。

flowchart TD
    A[B-rep CAD 模型] --> B[结构化隐几何树<br/>根→面→边→顶点]
    B --> C[几何编码: 节点特征 = 包围盒位置 + VAE 隐码]
    B --> D[拓扑编码: 交配复制 + 关联复制]
    C --> E[潜在扩散模块<br/>4 个 Transformer 去噪器]
    D --> E
    E --> F[自顶向下顺序去噪<br/>面位置→面几何→边位置→边-顶点几何]
    F --> G[后处理: 检测并合并重复节点<br/>恢复关联与交配关系]
    G --> H[几何微调 + B-Spline 拟合 + 缝合]
    H --> I[水密 B-rep 实体]

核心设计分三块：结构化隐几何树、潜在扩散模块、B-rep 后处理。

技术细节

结构化隐几何：几何编码

树有三层（面、边、顶点），根节点代表整个 CAD 实体。每个节点特征由「全局位置」和「局部形状隐码」组成：

• 面 \(F\)：底层是参数曲面 \(S(u,v):\mathbb{R}^2\rightarrow\mathbb{R}^3\)。仿照 UV-Net，在 UV 域上按 \(N\times N\) 均匀网格采样 3D 点得到形状特征 \(F_s\in\mathbb{R}^{N\times N\times 3}\)；位置特征 \(F_p=[x_1,y_1,z_1,x_2,y_2,z_2]\) 是轴对齐包围盒的两个角点。把点归一化到规范立方体 \([-1,1]^3\) 后，用一个 UNet 骨干的 VAE 把 \(F_s\) 压成隐码 \(F_z\)，面节点特征即 \(F=[F_p,F_z]\)。注意该特征不含裁剪边界与内孔，这些由关联的边给出。
• 边 \(E\)：底层是参数曲线 \(C(u):\mathbb{R}\rightarrow\mathbb{R}^3\)，沿曲线采样得 \(E_s\in\mathbb{R}^{N\times 3}\)，同样用包围盒 \(E_p\) 与 VAE 隐码 \(E_z\)，得 \(E=[E_p,E_z]\)。
• 顶点 \(V\)：就是一个 3D 坐标 \(V=(x,y,z)\)。

结构化隐几何：拓扑编码（节点复制）

拓扑不是显式生成的，而是靠「节点复制」隐式编码，有两种复制方式：

• 交配复制（Mating Duplication）：编码「面-边-面」「边-顶点-边」邻接。被两个面共享的边，会在两个父面下各出现一个特征完全相同的边子节点；共享顶点在其父边下同样复制。这把 B-rep 的图结构变成树。生成后，跨不同父节点合并「几何相似」的边/顶点节点即可恢复交配关系。
• 关联复制（Association Duplication）：一个面的边数、一个实体的面数都是变化的，且推理时未知。方法为每层预设一个最大分支因子，随机复制节点直到填满到最大子节点数（duplication padding）。相比零填充，这种复制填充在推理时产生更少的缺面缺边，随机选择被复制节点还能防过拟合。生成后在同一父节点下删除几何相同的子节点即可恢复关联关系。

潜在扩散模块

先用两个 VAE（面用 2D 卷积 UNet、边用 1D 卷积）把形状特征压到低维隐码：设 \(N=32\) 密采样，下采样 8 倍得 \(F_z\in\mathbb{R}^{4\times 4\times 3}\)、\(E_z\in\mathbb{R}^{4\times 3}\)，边再与两端点顶点拼成联合隐码 \(E_{zv}\in\mathbb{R}^{4\times 3+6}\)。VAE 用 MSE 重建损失加 KL 正则训练。

扩散遵循 DDPM，前向过程给所有节点加噪：

\[q(\mathbf{x}_t|\mathbf{x}_0)=\mathcal{N}(\mathbf{x}_t;\sqrt{\bar{\alpha}_t}\mathbf{x}_0,(1-\bar{\alpha}_t)\mathbf{I}),\quad \mathbf{x}_t=\sqrt{\bar{\alpha}_t}\mathbf{x}_0+\sqrt{1-\bar{\alpha}_t}\boldsymbol{\epsilon}_t\]

加噪后编码的几何与拓扑都被破坏（重复节点特征不再相同）。生成时不一次性生成全部几何，而是把节点分布分解为一串条件分布，自顶向下顺序去噪：

\[p(\mathbf{x})=p(F,E,V)=p(E_{zv}|E_p,F)\,p(E_p|F)\,p(F_z|F_p)\,p(F_p|\varnothing)\]

即边以面为条件、局部几何以全局位置为条件。四个去噪器共享 Transformer 骨干（12 层自注意力、12 头、隐藏维 1024），损失为标准 DDPM 的噪声回归项：

\[L=\mathbb{E}_{t,\mathbf{x}_0,\boldsymbol{\epsilon}_t}\left[\lVert\boldsymbol{\epsilon}_t-\boldsymbol{\epsilon}_\theta(\sqrt{\bar{\alpha}_t}\mathbf{x}_0+\sqrt{1-\bar{\alpha}_t}\boldsymbol{\epsilon}_t,t)\rVert^2\right]\]

条件注入不用 cross-attention，而是利用树中预定义的父子关系直接做 token 相加：设边 \(j\) 是面 \(i\) 的子节点，则

\[\hat{\mathbf{E}}_{p,j}\leftarrow\mathbf{E}_{p,j}+\mathbf{F}_i\]

其中 \(\mathbf{F}=\mathrm{MLP}(W_p F_p)+\mathrm{MLP}(W_z F_z)\)。方法不用可学习位置编码，配合训练时随机打乱使模型对 token 排列不变。

B-rep 后处理

用一组启发式规则找出重复节点并显式解码拓扑：面包围盒角点欧氏距离 < 0.08 且解码点逐点平均差 < 0.2 判为重复面并删除；同法在每个父面下合并唯一边；再从叶到根遍历找不同父节点下的重复子节点（即共享边、顶点）确定交配关系。之后做几何微调：顶点位置对其重复副本取平均，边被缩放平移以对齐起止顶点（反向则翻转），面被缩放平移以最小 Chamfer 距离贴合所有关联边。最后用 OpenCascade 的 GeomAPI_PointsToBSplineSurface/GeomAPI_PointsToBSpline 把点拟合成 B-Spline 曲面与曲线，闭环裁剪面并缝合成最终实体。在 RTX A5000 上，DeepCAD 数据平均约 5 秒生成一个 B-rep，家具/ABC 复杂数据约 10 秒。

家具 B-rep 数据集

作者与 Onshape（PTC）合作，从其公开设计库导出并人工清洗，构建了包含 6,171 个 B-rep、覆盖 10 个常见家具类别的 Furniture B-rep Dataset。据称这是首个既含自由曲面、又带规范类别标签的 B-rep 3D 模型数据集。

实验结果

在三个数据集评测：DeepCAD（草图拉伸得到的机械件）、Furniture B-rep（更复杂的家具）、ABC（工业设计的多样部件）。指标分两类：分布指标（Coverage 覆盖率、MMD 最小匹配距离、JSD）与 CAD 指标（Novel 新颖、Unique 唯一、Valid 水密有效比例）。

DeepCAD 无条件生成上，BrepGen 全面超过 DeepCAD 与 SolidGen：

方法	COV % ↑	MMD ↓	JSD ↓	Novel % ↑	Unique % ↑	Valid % ↑
DeepCAD	65.46	1.29	1.67	87.4	89.3	46.1
SolidGen	71.03	1.08	1.31	99.1	96.2	60.3
BrepGen	73.87	1.04	1.28	99.8	99.7	62.9
BrepGen (ABC)	57.92	1.35	3.69	99.7	99.4	48.2

（MMD、JSD 均已乘 \(10^2\)。）BrepGen 在覆盖率、MMD、JSD 上都更优，生成结构更复杂、开放/自交区域更少，且新颖唯一比例高，说明生成结果并非训练集复制。新颖性分析（用 LFD、Chamfer 距离检索最相似训练形状）显示生成形状真实又区别于训练数据。

可控生成方面展示了三个应用：类别条件生成（用 classifier-free guidance 在家具数据上按类生成，能产出 SolidGen 做不到的自由曲面）；CAD 自动补全（受 RePaint 启发，给定部分面自动补全整体，把离散部件连成水密实体，还能微调用户输入使其连接）；设计插值（拼接两模型的面 token、扩散 150 步后逐步替换，实现从源到目标平滑的几何+拓扑变化，直接以 B-rep 输出）。

消融研究：（1）两阶段 vs 统一生成——若先用多项式扩散单独生成拓扑（把面-边、边-顶点邻接矩阵当作 \(128\times128\) 二值图生成），有效率仅 6.2%，说明无条件生成正确邻接矩阵极难；而给定真值拓扑的 BrepGen*（COV 78.16、Valid 79.8）明显更好，印证「统一几何+拓扑联合生成」优于分两阶段。（2）后处理阈值网格搜索显示，包围盒阈值在 0.06~0.1、形状特征阈值约 0.2 时水密率最佳。失败案例分三类：缺面导致非水密、边/面自交导致裁剪后破损、解码点噪声导致几何抖动破碎。

贡献与局限

贡献：提出结构化隐几何表示，用层次树 + 节点复制把 B-rep 的几何与拓扑统一进一种格式，让连续几何回归隐式恢复离散拓扑；提出可生成自由曲面与裁剪曲线的潜在扩散模块；发布首个含自由曲面且带类别标签的家具 B-rep 数据集；在多个基准上达到直接 B-rep 生成的 SOTA，并首次生成自由曲面、双曲面 B-rep。

局限：只支持单体实体，多体装配模型留待future work；过近（归一化到 \([-3,3]\) 后阈值 0.05，约 7 bit 量化 1 格）的面或边会被误合并；不保证水密，去噪收敛慢可能留小缝或整面缺失；启发式后处理虽快且能处理复杂数据，但学习式后处理可能更鲁棒。

延伸思考

BrepGen 最巧妙之处在于「用节点复制把图拓扑塞进固定树、再用几何相似度反向恢复拓扑」这一转换：它把「离散拓扑生成」这个扩散模型不擅长的组合问题，改造成「连续几何回归 + 后处理去重」，从而绕开了直接生成邻接矩阵的极低有效率（消融里仅 6.2%）。这种「让几何相似性隐式承载拓扑」的思路，本质上是把结构约束下沉到几何空间，用连续域的扩散优势去覆盖离散域的组合难题，对其他「几何 + 拓扑」耦合的生成任务（如线框、网格、场景图）都有借鉴价值。同时它也暴露了该范式的软肋——阈值合并带来最小间距限制、去重不保证水密，这些都指向一个方向：把目前的启发式后处理换成可学习、可保证有效性的模块，可能是这类结构化几何扩散走向工程可用的关键一步。