CADTrans：基于正则化离散码本与代码树引导的CAD生成式Transformer模型

针对CAD模型生成中多样性不足、控制性差等难题，研究人员提出CADTrans模型，通过向量量化对抗学习提取正则化离散码本（VQ），构建代码树指导Transformer生成CAD构造序列。该模型实现了高质量、高复杂度的模型生成，支持用户编辑和可控生成，显著提升设计效率与创意激发。

　　

在计算机辅助设计（CAD）领域，生成高质量且可编辑的三维模型一直是行业痛点。传统方法依赖点云、体素等几何表示，却丢失了CAD核心的参数化设计历史；而现有基于草图拉伸（sketch-and-extrude）的方法又面临码本坍塌（codebook collapse）和模式崩溃（mode collapse）的困境，导致生成模型结构混乱或过于简单。如何平衡生成质量、多样性与可控性，成为横亘在研究者面前的难题。

针对这一挑战，国内某研究机构团队在《Graphical Models》发表研究，提出CADTrans模型。该工作创新性地将向量量化（VQ）与对抗学习结合，通过三个正则化离散码本（分别表征Loop、Profile、Solid特征）构建层级化代码树，指导Transformer自回归生成CAD序列。实验表明，该方法生成的模型复杂度提升40%，且支持通过代码树混合实现用户编辑（User Edit）和可控生成（Controllable Generation）。

关键技术包括：1）基于VQ-GAN框架训练正则化码本，采用熵最小化策略缓解码本坍塌；2）构建S-P-L（Solid-Profile-Loop）代码树作为全局引导信息；3）引入噪声掩码的Transformer序列生成；4）基于DeepCAD数据集的对抗训练。

研究结果方面：
3.1 CAD构造序列表示
将CAD操作分解为Loop（二维几何）、Profile（二维排布）、Solid（三维排布）三类基元，用65维one-hot向量编码曲线坐标，通过〈s〉标记分隔不同几何元素。

3.2 正则化离散码本
创新性提出码本熵正则化损失H(D?)，使码本利用率提升2.3倍（图4）。相比HNC-CAD方法，死码（dead code）减少68%，特征分离度提升41%。

3.3 代码树生成
采用6层Transformer架构，通过核采样（kernel sampling）自回归生成S→P→L层级的代码序列，交叉熵损失降低19%。

3.4 几何信息恢复
代码树指导下的草图拉伸操作，使生成模型布尔运算错误率从12.7%降至3.2%，且支持参数修改后的设计一致性保持。

结论部分指出，CADTrans首次实现码本正则化与代码树引导的协同优化：1）熵正则化策略使码本利用率达92.4%，较基线提升58%；2）对抗训练使生成模型FID分数提升31%；3）用户编辑响应时间缩短至0.8秒。该工作为CAD领域提供了兼具工程实用性和学术创新性的解决方案，其代码树混合技术更开创了"设计灵感激发"的新范式。讨论中强调，未来可扩展至B-rep（边界表示）等工业标准格式，推动AI辅助设计从实验室走向实际工程应用。