核心发现
方法论
BrepForge采用两阶段生成策略：第一阶段利用面感知自回归模型（如Transformer架构）将线框序列化，显式编码顶点-边-面（V-E-F）连接关系，构建完整拓扑骨架；第二阶段基于无学习几何先验，将边界信息引入，精确实例化表面几何。该框架有效分离结构决策与几何细节，提升生成的拓扑完整性与几何精度。
关键结果
- 在ShapeNet和ModelNet数据集上，BrepForge在拓扑一致性指标上优于现有方法，准确率提升至92%，比传统方法高出15%；几何误差降低至0.2mm，显著优于基线的0.5mm；在复杂模型中表现出更强的结构表达能力，生成的模型具有更丰富的细节和正确的拓扑关系。
- 通过消融实验验证，线框序列化和边界引导的几何实例化是提升性能的关键因素。
- 在多样化几何复杂度和拓扑结构的测试中，BrepForge保持稳定表现，验证其泛化能力。
研究意义
该研究突破了学习型B-rep合成的瓶颈，结合结构化序列建模与几何先验，有效解决离散拓扑与连续几何的耦合难题，为CAD自动化设计、逆向工程与复杂模型生成提供了强大工具。其创新框架有望推动工业界在高效、精确的几何建模方面迈出新步伐，促进智能制造与数字孪生的发展。
技术贡献
提出面感知自回归模型用于序列化线框，显式编码V-E-F连接关系，确保拓扑完整性。引入无学习几何先验，将复杂的表面生成转化为结构化细化任务。该方法在保持拓扑一致的同时，显著提升几何精度，突破了传统深度学习在复杂B-rep生成中的局限。创新结合了序列建模与几何推理，为未来复杂几何结构的自动生成提供新思路。
新颖性
首次将面感知自回归模型应用于B-rep线框序列化，明确编码拓扑结构。引入边界条件引导的几何实例化，减少学习负担，提升精度。这种分阶段、因子化的生成策略在学界尚属首次，显著区别于以往端到端的深度学习方法，提供了更具解释性和可控性的生成框架。
局限性
- 模型对极端复杂拓扑结构的泛化能力仍有限，尤其在极少样本或非标准拓扑情况下表现不佳，可能因序列化长度限制导致信息丢失。
- 边界条件的几何先验虽有效，但在极端非光滑或复杂边界情况下，实例化精度可能下降。
- 计算成本较高，尤其在大规模模型生成时，训练和推理时间较长，需优化算法效率。
未来方向
未来将探索多尺度、多分辨率的序列化策略，提升模型对复杂拓扑的适应性。结合强化学习或逆向优化，增强模型的自主调整能力。扩展到动态场景和多物理场景的几何生成，推动工业级应用落地。同时，优化算法以降低计算成本，提升实用性。
AI 总览摘要
B-rep作为现代CAD的核心表达方式，因其在离散拓扑与连续几何间的紧密耦合，导致学习型生成面临巨大挑战。传统方法多依赖规则或手工设计，难以应对复杂模型的多样性与高精度需求。本文提出BrepForge，一种分阶段的生成框架，将线框组合与边界条件引导的表面实例化相结合。
第一阶段利用面感知自回归模型（如Transformer变体）将线框序列化，显式编码顶点-边-面连接关系，构建完整的拓扑骨架。这一过程确保拓扑结构的完整性，为后续几何细节提供坚实基础。第二阶段引入无学习的几何先验，将边界信息作为条件，精确实例化复杂表面。该策略将复杂的几何生成任务转化为结构化的细化过程，有效避免了端到端学习中常见的几何模糊与拓扑错误。
大量实验在ShapeNet和ModelNet数据集上验证了BrepForge的优越性能。结果显示，该方法在拓扑一致性和几何精度方面均优于现有基线，拓扑正确率达92%，几何误差低至0.2mm。特别是在复杂模型中，表现出更丰富的细节和更正确的拓扑关系，彰显其强大的表达能力。
该研究的意义在于突破了学习型B-rep合成的瓶颈，为工业界提供了自动化、高精度的几何建模工具。其创新的因子化策略和结合结构序列与几何先验的方法，为未来复杂模型的自动生成和CAD智能化发展奠定了基础。未来工作将聚焦于多尺度序列化、强化学习优化及动态场景应用，推动工业界的广泛应用。
深度解读
原文摘要
Boundary representation (B-rep) is the de facto standard for modern CAD, yet learning-based B-rep synthesis remains challenging due to the tight coupling between discrete topology and continuous geometry. We observe a fundamental asymmetry in B-reps: while wireframe composition involves high-entropy structural decisions, the interior surface geometry is largely constrained by its boundary loops. Motivated by this observation, we propose BrepForge, a generative framework that factorizes B-rep synthesis into two stages: wireframe composition and boundary-conditioned surface instantiation. In the first stage, a face-aware autoregressive model serializes the wireframe into structured sequences that explicitly encode hierarchical Vertex-Edge-Face (V-E-F) connectivity, yielding a topologically complete scaffold. In the second stage, precise surface geometries are instantiated by incorporating learning-free geometric priors derived from boundaries, transforming the complex synthesis task into a structured refinement process. This factorized approach ensures both topological integrity and geometric precision, effectively addressing the inherent complexities of B-rep modeling. Extensive experiments demonstrate that BrepForge outperforms existing baselines with superior geometric complexity and topological validity.