Language-Augmented Semantic Priors for B-Spline Surface Fitting

📄 arXiv: 2609.11708v1 📥 PDF

作者: Yunzhong Lou, Yusheng Luo, Jiahao Li, Yu Song, Xiangdong Zhou

分类: cs.CV, cs.AI

发布日期: 2026-09-10

💡 一句话要点

提出语言增强的语义先验以解决B样条曲面拟合问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: B样条曲面 计算机辅助设计 语言模型 语义推理 几何优化 设计意图 机器学习

📋 核心要点

  1. 现有CAD系统在曲面拟合和参数化中依赖于预设的启发式初始化，导致拟合结果的语义一致性不足。
  2. LASP框架通过将建模历史转化为文本描述，利用大型语言模型推断B样条先验参数，增强了设计意图的表达。
  3. 实验结果显示，LASP在几何拟合过程中显著提高了语义一致性和设计目标的准确性，相较于传统方法表现更佳。

📝 摘要（中文）

B样条和非均匀有理B样条曲面是现代计算机辅助设计（CAD）系统的数学基础。尽管已有长期进展，传统CAD中的几何内核仍然严重依赖于预设的启发式初始化进行曲面拟合和参数化。同时，建模历史中编码的程序语义和设计意图在几何生成过程中被忽视。这种脱节导致高层设计意图与可执行几何配置之间存在差距，常常导致次优和语义不一致的拟合结果。为了解决这一问题，本文提出了LASP框架，通过利用大型语言模型（LLMs）从程序建模历史中推断结构化的B样条先验。LASP作为现有求解器之上的语义推理层，首先将建模历史翻译为丰富的文本描述，然后使用微调的LLM预测结构化的B样条先验参数。实验表明，语言驱动的推理可以作为几何求解的强大归纳偏置，建立了现代CAD系统中语言引导的几何优化的新范式。

🔬 方法详解

问题定义：本文旨在解决传统CAD系统中B样条曲面拟合过程中的语义不一致和设计意图缺失的问题。现有方法依赖于启发式初始化，导致拟合结果不理想。

核心思路：LASP框架通过将建模历史转化为文本描述，利用大型语言模型推断结构化的B样条先验参数，从而增强几何拟合过程中的语义信息。

技术框架：LASP的整体架构包括两个主要阶段：首先将建模历史翻译为文本描述，然后使用微调的LLM预测B样条先验参数。该框架作为现有求解器之上的语义推理层，增强了设计意图的表达。

关键创新：LASP的创新在于将语言模型与几何求解结合，提供了一种新的语义推理层，显著改善了传统方法的不足，使得几何拟合过程更加符合设计意图。

关键设计：LASP采用了两阶段训练方案，结合局部几何规律与长程上下文依赖，确保生成的先验参数既可解释又语义一致。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LASP框架在B样条曲面拟合任务中，相较于传统机器学习方法，显著提高了拟合的语义一致性和设计目标的准确性，展示了语言驱动推理的强大能力。

🎯 应用场景

该研究在计算机辅助设计（CAD）领域具有广泛的应用潜力，能够提升设计过程中的几何拟合精度和语义一致性。未来，LASP框架可能会被应用于更复杂的设计任务，推动智能设计工具的发展。

📄 摘要（原文）

The use of B-splines and Non-Uniform Rational B-Splines surfaces constitutes the mathematical foundation of contemporary computer-aided design (CAD) systems. Despite long-term progress, geometric kernels in traditional CAD still rely heavily on predetermined heuristic initialization for surface fitting and parameterization. Meanwhile, the procedural semantics and design intent encoded in modeling histories are largely ignored during geometry generation. This disconnect creates a gap between high-level design intent and solver-executable geometric configuration, often leading to suboptimal and semantically inconsistent fitting results. To bridge this gap, we introduce LASP, a Language-Augmented Semantic Priors framework that leverages large language models (LLMs) to infer structured, solver-usable B-spline priors from procedural modeling histories. Rather than modifying the geometric kernel itself, LASP operates as a semantic reasoning layer above existing solvers. It first translates modeling histories into rich textual descriptions that capture design intent, geometric context, and functional relationships, and then uses a fine-tuned LLM to predict structured B-spline prior parameters. LASP is trained through a two-stage scheme that combines local geometric regularities with long-range contextual dependencies, producing priors that are both interpretable and semantically coherent. This approach furnishes inductive signals that direct the conventional B-spline fitting process toward solutions that more accurately encapsulate the intended design objectives and demonstrate heightened semantic coherence. Compared to traditional machine learning schemes, the experiments demonstrate that language-driven reasoning can serve as a powerful inductive bias for geometric solving, establishing a new paradigm of language-guided geometric optimization in modern CAD systems.