核心发现
方法论
MTM利用面邻接图结构，将边作为预测目标，掩盖部分边信息，通过消息传递提取面特征，训练MLP预测边的凸性与曲线类型。结合MoCo对比学习和区域重建，采用多数据源预训练，包括ABC数据集和合成数据，增强模型泛化能力。
关键结果
- 在F360、SolidLetters、MFInstSeg等基准上实现SOTA性能，F360的宏平均mIoU达84.55%，Few-shot下仍优于对比方法。预训练模型在少样本和低标签场景中表现优异，验证了MTM的结构判别能力和拓扑理解优势。
- 在合成数据预训练后，模型在真实工业CAD数据上表现出更强的泛化能力，显著优于传统监督方法。
- 消融实验显示，边预测目标的引入提升了模型对拓扑关系的捕获能力，尤其在复杂几何和拓扑变化场景中效果明显。
研究意义
该研究突破了CAD领域中缺乏大规模标注数据的难题，利用几何和拓扑的内在结构实现高效自监督学习，为工业设计、制造等行业提供了强大的智能分析工具。模型能理解复杂的拓扑关系，有助于自动化设计、逆向工程和缺陷检测，推动CAD智能化发展。
技术贡献
提出面邻接图的边掩盖预测任务，结合对比学习和区域重建，创新性地将拓扑关系作为自监督信号。理论上证明了凸性预测的可识别性和曲线类型的不可完全判别性，增强模型的判别能力。架构上采用UV-grid、GATv2和Transformer，提升特征表达能力，支持大规模预训练。
新颖性
首次将图结构的边掩盖预测作为自监督目标应用于B-rep，利用几何核自动生成标签，无需人工标注。不同于传统的节点或面特征重建，强调边的拓扑关系，显著提升模型对几何和拓扑的理解深度，优于现有面级或节点级方法。
局限性
- 当前方法对极端复杂拓扑或非连续表面存在一定的鲁棒性不足，尤其在极端几何变形或缺陷情况下表现有限。
- 模型训练依赖大量合成数据和预训练，迁移到完全不同的工业场景仍需调优。
- 边预测的类别有限，未来可扩展至更丰富的拓扑关系和几何属性。
未来方向
未来将探索多尺度拓扑建模，结合几何约束和物理信息，提升模型对复杂结构的理解能力。同时，结合交互式设计工具，实现端到端的CAD智能辅助，推动工业应用落地。
AI 总览摘要
本研究提出了Masked Topology Modeling（MTM），一种面邻接图的自监督预训练方法，旨在提升参数化CAD模型的几何与拓扑理解能力。在工业界，CAD数据稀缺且多为专有，传统监督学习难以大规模应用。MTM通过掩盖图边，训练模型从剩余面特征中预测被隐藏边的凸性和曲线类型，充分利用几何核自动生成标签，无需人工标注。结合MoCo对比学习和区域重建，模型在多个公开和合成数据集上实现了优异性能，尤其在少样本和低标签场景中表现出色。理论分析证明了凸性预测的可识别性和曲线类型的不可完全判别性，彰显了模型在几何拓扑理解上的优势。实验结果显示，预训练模型在F360、SolidLetters、MFInstSeg等任务中均优于现有方法，验证了MTM在工业设计、逆向工程和缺陷检测中的潜力。该方法不仅突破了CAD数据的标注瓶颈，也为未来基于几何拓扑的自监督学习提供了新思路，推动智能制造和工业AI的发展。未来工作将结合多尺度拓扑建模和物理约束，进一步提升模型的鲁棒性和应用范围。
深度分析
研究背景
随着工业设计的数字化，CAD成为核心工具，尤其是基于边界表示（B-rep）的参数化模型。早期研究如UV-Net和BRepNet通过深度学习提升了几何特征的表达能力，但多依赖监督标注。近年来，自监督方法逐渐兴起，尝试利用几何和拓扑结构自动生成训练信号，但在复杂拓扑关系捕获方面仍有限。CAD数据的私有性和稀缺性限制了大规模训练，亟需低标注依赖的学习策略。本研究基于B-rep的面邻接图，提出利用拓扑边的掩盖预测作为自监督信号，弥补了现有方法在拓扑理解上的不足。
核心问题
工业CAD模型中，复杂的几何和拓扑关系难以通过传统方法充分捕获，尤其在缺乏大规模标注数据时。现有的面级或节点级学习方法无法有效理解边界的拓扑关系，导致模型在复杂结构识别和重建任务中表现有限。如何利用几何核自动生成标签，设计有效的自监督目标，成为关键挑战。此外，模型需在保持几何细节的同时理解拓扑结构，提升泛化能力和判别能力。
核心创新
本研究的核心创新在于引入面邻接图的边掩盖预测任务，将拓扑边作为预测目标，利用几何核自动生成标签，实现无标注的自监督学习。结合对比学习和区域重建，增强模型对几何和拓扑的理解。理论上证明凸性预测具有可识别性，拓扑关系的判别能力优于面级方法。架构上采用UV-grid、GATv2和Transformer，支持大规模预训练，显著优于传统监督和节点重建方法。
方法详解
- �� 构建面邻接图，将每个面作为节点，边代表共享边界。• 在训练中随机掩盖部分边，删除对应边信息，模型仅利用剩余面特征进行消息传递。• 通过MLP头预测掩盖边的凸性和曲线类型，利用几何核自动生成标签，无需人工标注。• 结合MoCo对比学习，利用正负样本增强特征判别能力。• 采用区域重建任务，掩盖连续面区域，重建几何和类别信息。• 预训练使用ABC和合成数据集，增强模型泛化能力。• 结合多尺度拓扑信息，提升复杂结构理解。
实验设计
在公开的F360、SolidLetters、MFInstSeg等数据集上进行评估，采用宏平均mIoU、面级分类准确率等指标。对比多种监督和自监督方法，进行消融分析验证边掩盖预测的有效性。预训练模型在少样本和低标签场景中表现优异，显著优于传统方法。多数据源预训练策略增强了模型的泛化能力，实验证明其在工业场景中的适用性。
结果分析
模型在F360任务中实现84.55%的宏平均mIoU，超越现有SOTA。少样本实验中，预训练模型在8支持样本下仍达68.92%的mIoU，验证了其数据效率。消融实验显示，边预测目标的引入提升了拓扑关系的捕获能力，模型能区分复杂几何结构中的正反折叠。合成数据预训练后，模型在真实工业数据中表现出更强的泛化能力，验证了自监督策略的有效性。
应用场景
该方法可应用于工业CAD自动化设计、逆向工程、缺陷检测等场景。模型能理解复杂拓扑关系，辅助设计优化和结构分析。无需大量标注，适合私有数据环境，提升工业AI的智能水平。未来可结合交互式设计工具，实现端到端的CAD智能辅助，推动智能制造。
局限与展望
当前模型在极端复杂拓扑或非连续表面上鲁棒性不足，处理大规模几何变形仍有限。预训练依赖大量合成数据，迁移到不同工业场景需调优。边类别有限，未来应扩展至更丰富的拓扑关系和几何属性。模型计算成本较高，需优化推理效率。未来需增强模型的泛化能力和鲁棒性，适应更复杂的工业应用。
通俗解读 非专业人士也能看懂
想象你在一家工厂里，工人们需要组装各种复杂的机器。每个零件都像一个面，连接的边像零件之间的缝隙。工人们知道每个缝隙是凸的还是凹的，还知道缝的形状是直线还是弧线。现在，工厂想让机器人自己学会识别这些缝隙的类型，而不用告诉它们具体的标签。它们用一种方法，先把一些缝隙的特征隐藏起来，然后让机器人根据剩下的部分推断出被隐藏的缝隙到底是凸还是凹，是直线还是弧线。这样，机器人就能学会理解机器的结构，帮助设计和检测缺陷。这个方法让机器人变得更聪明，能在没有人帮忙的情况下理解复杂的机械结构，就像人类工程师一样。
简单解释 像给14岁少年讲一样
想象你在玩拼图游戏，但有些拼块被藏起来了。你的任务是根据周围的拼块，猜出藏起来的拼块是什么样的。比如，有一块拼块连接两个不同的部分，你知道它是凸的还是凹的，或者是直线还是弧线。你会观察周围的拼块，利用它们的形状和连接关系，猜出隐藏的拼块。这就像在帮机器人学习理解复杂的机械结构，它通过观察剩下的部分，猜出被藏起来的连接方式。这样，机器人就能更好地理解各种复杂的机械设计，像人一样聪明地帮忙设计、检测缺陷或者改进结构。是不是很酷？它就像一个超级侦探，能从线索中推断出隐藏的秘密！
术语表
Face-Adjacency Graph（面邻接图）
一种描述CAD模型中面与面之间连接关系的图结构，用节点代表面，边代表共享边界。
本文利用面邻接图作为自监督学习的基础结构。
Convexity（凸性）
描述边界的弯曲方向，分为凸、凹、平滑和刀锋四类，反映材料的内外折叠状态。
作为边的预测目标之一，几何核自动生成标签。
Curve Type（曲线类型）
描述边界曲线的几何形状，如直线、圆弧、B样条等。
用于预测边的几何特征，提升拓扑理解。
Masked Topology Modeling（MTM）
一种自监督任务，通过掩盖图中的边，训练模型预测被隐藏边的拓扑和几何属性。
核心创新点，增强模型对拓扑关系的捕获能力。
MoCo（Momentum Contrast）
一种对比学习框架，通过维护动量队列实现大规模负样本的高效利用。
用于增强特征判别能力。
开放问题 这项研究留下的未解疑问
- 1 如何扩展MTM以支持更复杂的拓扑关系和几何属性，仍是未来研究的重点。当前模型在极端复杂或非连续表面上鲁棒性不足，需结合物理信息和多尺度建模以提升性能。
原文摘要
Computer aided design (CAD) is ubiquitous: virtually any modern object was designed using editable CAD tools. However, with the shortage of available CAD datasets in its native editable and parametric format, boundary representation (B-Rep), it is ever more important to develop data-efficient methods for this domain. We present a new self-supervised pretraining task, Masked Topology Modeling (MTM), that leverages the face-adjacency graph, an induced structure unique to B-reps that the encoder can be asked to reconstruct. MTM masks a fraction of edges and trains a small head to predict each masked edge's convexity and curve type from the encoder's post-message-passing face features. We combine MTM with a MoCo-style momentum-queue contrastive learning over B-rep-aware augmentations, a BFS-connected face-region masked-reconstruction objective, and pretraining on the ABC dataset and our new procedurally generated dataset to show strong performance on a number of benchmarks.