BrepGaussian: CAD reconstruction from Multi-View Images with Gaussian Splatting

📄 arXiv: 2602.21105 📥 PDF

作者: Jiaxing Yu, Dongyang Ren, Hangyu Xu, Zhouyuxiao Yang, Yuanqi Li, Jie Guo, Zhengkang Zhou, Yanwen Guo

分类: cs.CV

发布日期: 2026-04-07

💡 一句话要点

提出BrepGaussian，利用高斯溅射从多视角图像重建CAD模型。

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)

关键词: CAD模型重建 高斯溅射 多视角图像 参数化表示 边界表示 计算机视觉 三维重建

📋 核心要点

  1. 现有方法依赖于稠密且干净的点云，难以推广到新的形状，这是从非结构化数据重建B-Rep模型的挑战。
  2. BrepGaussian利用高斯溅射渲染器和可学习特征，通过两阶段学习解耦几何重建和特征学习，从而实现更精确的CAD模型重建。
  3. 实验结果表明，BrepGaussian在CAD模型重建任务上表现优异，超越了现有技术水平，能够生成更清晰、连贯的几何表示。

📝 摘要（中文）

本文提出了一种名为B-Rep Gaussian Splatting (BrepGaussian) 的新框架，用于从2D图像中学习3D参数化表示，进而重建CAD模型。该框架利用可学习特征的高斯溅射渲染器，并结合特定的拟合策略。为了解耦几何重建和特征学习，引入了一个两阶段学习框架，首先捕获几何形状和边缘，然后细化patch特征，以实现清晰的几何形状和连贯的实例表示。大量实验表明，该方法优于目前最先进的方法。

🔬 方法详解

问题定义：论文旨在解决从多视角图像中重建CAD模型的问题。现有方法通常依赖于高质量的点云数据，并且泛化能力有限，难以处理复杂或新的形状。因此，如何从非结构化的图像数据中有效地恢复CAD模型的边界表示（B-Rep）是一个关键挑战。

核心思路：论文的核心思路是利用高斯溅射（Gaussian Splatting）作为可微渲染器，结合可学习的特征，直接从2D图像中优化3D模型的参数化表示。通过这种方式，避免了对中间点云数据的依赖，并能够更好地处理图像中的噪声和遮挡。

技术框架：BrepGaussian框架主要包含两个阶段：1) 几何和边缘捕获阶段：利用高斯溅射渲染器学习场景的几何形状和边缘信息。2) 特征细化阶段：细化patch特征，以获得更清晰的几何形状和连贯的实例表示。这两个阶段共同作用，最终生成高质量的CAD模型。

关键创新：该方法的主要创新在于将高斯溅射渲染与B-Rep重建相结合，并提出了一个两阶段的学习框架。这种方法能够有效地解耦几何重建和特征学习，从而提高重建的精度和鲁棒性。此外，该方法直接从图像数据学习参数化表示，避免了对中间点云数据的依赖。

关键设计：在几何和边缘捕获阶段，使用高斯分布来表示场景中的点，并通过可微渲染器将这些点投影到2D图像上。在特征细化阶段，使用特定的损失函数来约束patch特征，以确保几何形状的清晰度和实例表示的连贯性。具体的损失函数和网络结构细节在论文中进行了详细描述（未知）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，BrepGaussian在CAD模型重建任务上取得了显著的性能提升，超越了现有最先进的方法。具体的性能数据和对比基线在论文中进行了详细展示（未知）。该方法能够生成更清晰、更连贯的几何表示，并且对噪声和遮挡具有较强的鲁棒性。

🎯 应用场景

该研究成果可应用于逆向工程、3D建模、计算机辅助设计（CAD）、机器人视觉等领域。通过从图像中自动重建CAD模型，可以大大提高设计效率，降低建模成本，并为机器人提供更精确的环境感知能力。未来，该技术有望在工业自动化、虚拟现实、增强现实等领域发挥重要作用。

📄 摘要（原文）

The boundary representation (B-Rep) models a 3D solid as its explicit boundaries: trimmed corners, edges, and faces. Recovering B-Rep representation from unstructured data is a challenging and valuable task of computer vision and graphics. Recent advances in deep learning have greatly improved the recovery of 3D shape geometry, but still depend on dense and clean point clouds and struggle to generalize to novel shapes. We propose B-Rep Gaussian Splatting (BrepGaussian), a novel framework that learns 3D parametric representations from 2D images. We employ a Gaussian Splatting renderer with learnable features, followed by a specific fitting strategy. To disentangle geometry reconstruction and feature learning, we introduce a two-stage learning framework that first captures geometry and edges and then refines patch features to achieve clean geometry and coherent instance representations. Extensive experiments demonstrate the superior performance of our approach to state-of-the-art methods.