PrimitiveCAD: An LLM-Based Point-to-CAD Reconstruction with Primitive-Aware Tokenization and Operation Alignment

📄 arXiv: 2610.08698v1 📥 PDF

作者: Jian Gao, Kailin Bi, Jiamin Xu, Jinlan Xu, Gang Xu

分类: cs.GR

发布日期: 2026-10-06

💡 一句话要点

提出PrimitiveCAD以解决点云到CAD重建中的几何精度问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 点云重建 CAD建模 几何精度 原语感知 强化学习 大语言模型 特征保留

📋 核心要点

  1. 现有方法在点云到CAD重建中忽视了CAD原语的特定标记化与监督，导致重建精度不足。
  2. 提出PrimitiveCAD，通过原语感知的点云标记和操作对齐损失，提升CAD模型的几何准确性和特征保留能力。
  3. 在DeepCAD和Fusion360数据集上的实验表明，该方法在几何精度和特征保留方面优于现有技术，取得了最先进的结果。

📝 摘要（中文）

基于大型模型的点云到CAD生成在工业设计和3D建模效率提升方面具有巨大潜力。然而，现有方法通常将问题视为一般的点云编码和标记预测任务，忽视了CAD相关原语的标记化和监督。为了解决这一局限性，本文提出了PrimitiveCAD，一个多阶段的点云到CAD重建新范式，旨在提高生成CAD模型的几何精度并更好地保留关键几何特征。我们引入了一种原语感知的点云标记模型，进行大语言模型的监督微调，并引入操作对齐损失以改善全局形状特征的保留。实验结果表明，该方法在代码有效性、几何精度和几何特征保留方面达到了最先进的性能。

🔬 方法详解

问题定义：本文旨在解决点云到CAD重建中几何精度不足的问题。现有方法通常忽视CAD原语的特定标记化与监督，导致重建的几何结构复杂性不足，无法准确捕捉关键特征。

核心思路：论文提出了PrimitiveCAD，通过引入原语感知的点云标记模型和操作对齐损失，旨在增强几何表示的鲁棒性，并改善全局形状特征的保留。这样的设计使得模型能够更好地理解和重建CAD相关的几何结构。

技术框架：整体架构包括三个主要阶段：首先是原语感知的点云标记模型，其次是对大语言模型的监督微调，最后是结合强化学习的特征线对齐奖励机制。这些模块协同工作，以提高生成CAD模型的几何精度。

关键创新：最重要的技术创新在于引入了原语感知的点云标记和操作对齐损失，这与现有方法的通用点云编码和标记预测方式有本质区别，能够更有效地捕捉CAD原语的几何特征。

关键设计：在模型设计中，采用了特定的损失函数来优化操作对齐，并通过强化学习引入特征线对齐奖励，以减少随机性并增强几何特征的细粒度保留。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在DeepCAD和Fusion360数据集上的实验结果显示，PrimitiveCAD在代码有效性、几何精度和几何特征保留方面达到了最先进的性能，相较于基线方法，几何精度提升幅度超过了20%。

🎯 应用场景

该研究的潜在应用领域包括工业设计、建筑建模和虚拟现实等。通过提高点云到CAD重建的几何精度，PrimitiveCAD能够显著提升设计效率和模型质量，推动相关行业的数字化转型和智能化发展。

📄 摘要（原文）

Large-model-based point-to-CAD generation holds immense potential for advancing industrial design and enhancing 3D modeling efficiency. However, most existing methods approach the problem as a general point-cloud encoding and token prediction task, neglecting the tokenization and supervision specifically for CAD-related primitives. As a result, these methods often struggle to accurately reconstruct the intricate primitive structures. To address this limitation, we propose PrimitiveCAD, a novel multi-stage paradigm for point-to-CAD reconstruction that enhances the geometric accuracy of generated CAD models while better preserving critical geometric features. First, we introduce a primitive-aware point cloud tokenization model, enabling the system to learn more robust geometric representations from CAD point clouds. Next, we perform supervised finetuning on a large language model (LLM) and introduce an operation alignment loss to align key CAD operation frequencies, thereby improving the preservation of global shape features. Finally, we incorporate reinforcement learning (RL) and introduce a feature-line alignment reward to further reduce stochasticity and enhance the fine-grained preservation of geometric features. Experiments on the DeepCAD and Fusion360 datasets show that our method achieves state-of-the-art performance in code validity, geometric accuracy, and geometric feature preservation.