面向数量约束CAD生成的目标引导贝叶斯流网络
计算机视觉与模式识别
2025-10-30 v1
摘要
深度生成模型（如扩散模型）在图像生成和音频生成方面通过简化连续性假设取得了显著进展。然而，针对生成多模态数据（如参数化CAD序列）的生成建模技术仍滞后于其它领域，这源于解决长程约束和参数灵敏度问题的难度。在本工作中，我们提出了一种用于数量约束CAD生成的新型框架，称为目标引导贝叶斯流网络（Target-Guided Bayesian Flow Network, TGBFN）。TGBFN首次将CAD序列的多模态性（即离散命令和连续参数）在统一的连续可微参数空间中处理，而非在离散数据空间中。在此基础上，TGBFN渗透参数更新核，引入引导贝叶斯流以控制CAD属性。为评估TGBFN，我们构建了一个用于数量约束CAD生成的新型数据集。广泛的单条件和多条件约束生成任务比较表明，TGBFN在生成高保真、具备条件约束意识的CAD序列方面实现了最先进的性能。代码已公开于https://github.com/scu-zwh/TGBFN。
引用
@article{arxiv.2510.25163,
title = {Target-Guided Bayesian Flow Networks for Quantitatively Constrained CAD Generation},
author = {Wenhao Zheng and Chenwei Sun and Wenbo Zhang and Jiancheng Lv and Xianggen Liu},
journal= {arXiv preprint arXiv:2510.25163},
year = {2025}
}