CADFit:基于混合优化的精确网格到 CAD 程序生成
新一、简介
CADFit 是 MIT Design Computation and Digital Engineering(DeCoDE)实验室的 Ghadi Nehme、Siemens Digital Industries Software 的 Eamon Whalen 与 MIT 的 Faez Ahmed 团队在 ICML 2026(首尔)发表的论文《CADFit: Precise Mesh-to-CAD Program Generation with Hybrid Optimization》的官方代码发布,也是当前网格到 CAD 方向最具代表性的开源工作之一。它通过”逐步拟合与校验”,从水密网格还原出可编辑的参数化 CAD 构造序列。与”一次性前向预测一整段 CAD 程序”的路线不同,CADFit 把重建形式化为对可执行的 CadQuery 构造程序所做的、以 IoU 驱动的显式优化:它支持挤出、旋转、倒圆、倒角、布尔并集与差集等丰富算子,并通过迭代残差细化(正残差与负残差分别重建、再用并集/差集合成)不断推进,直到残差体积低于容差。每个候选方案都经由 CadQuery 做内核合法性校验,在基准切片上的无效比(Invalid Ratio)为零,这是它与许多”偶尔跑崩”的生成器最本质的区别。对 CAE 工程师而言,它把仿真产物(STL、点云)重新闭环成可编辑、可参数化的 CAD 程序——这正是重新网格化与重新仿真之前所需的衔接环节。读完后你应能判断:当你的输入是一张网格或扫描、而交付物必须是可编辑的特征树并非又一张网格时,这种基于优化的路线是否值得投入算力。此外,CADFit 采用 CC BY-NC 4.0 许可并开源,但其专利与商业授权限制意味着它适合科研与原型,产品化前必须走授权流程。
结合它开源且内核校验的特性,CADFit 在逆向工程到再设计的链路里是一个值得优先评估的候选,尤其在保密与精度要求高的工程场景里,它不把图纸送出内网这一点尤为关键。
二、原理与工作方式
CADFit 像一位耐心的工程师那样”一次一个操作”地把几何重建为 CAD 程序。它先对三维形状做切片,提取出平面截面——也就是工程师在为某个操作起手时会先画的那种 2D 轮廓——这一步会产生数百个候选草图,其中大部分并不可用。一个轻量的学习先验会为每个候选打分(评估它出现在最终设计中的可能性),只保留有希望的那些;作者称这让过程快约三倍,但打分模型对正确性并非必需,去掉它仍能得到合法结果。每个保留下来的候选随后用真正的 CAD 内核(CadQuery)与目标形状比对:系统只保留能改善体素拟合的部分,并针对仍缺失的几何重复这一过程,正残差与负残差分别重建后再用并集/差集合成。优化的目标就是它自身所报告的 IoU,使目标保持诚实,避免”优化一套、汇报另一套”的常见偏差。操作由挤出、旋转、倒圆、倒角、并集与差集装配而成,残差几何在若干轮中逐步拟合。由于校验经由真正的内核进行,每个输出的程序都被保证是一段合法、可运行的 CadQuery 脚本,绝不是”看起来对却跑崩”的猜测;这也意味着它产出的并非更漂亮的一张网格,而是一段能被人类继续编辑的特征树。
这种边拟合边校验的循环,使得 CADFit 的输出质量与它所报告的 IoU 高度一致,也是它相比端到端生成器更可被工程信任的根本原因,因为优化目标与汇报口径是同一套,没有两套标准。
三、适用边界与前提
CADFit 假设你输入的是水密网格(如 STL 导出)、点云或图像到 3D 的重建结果,且目标零件能用它所支持的 CadQuery 操作(挤出、旋转、倒圆、倒角、布尔)表达。它对输入形态保持中立:更换网格来源无需重新训练,本质上它优化的是”几何到程序”的映射,并非记忆特定样本。它的强项是还原可编辑的参数化程序,并非生成更漂亮的一张网格,因此当交付物是一个人会持续编辑的特征树时价值最大,对只想拿一张干净网格的人来说反而绕了路。它并非通用重建器:由放样(loft)或扫掠(sweep)构成、或难以被”草图—挤出—旋转”分解的自由曲面形状,被作者明确点名为”数学会吃紧”之处,需要人工补完或改用曲面路线。训练数据依赖极小——优化直接在几何上运行,并非依赖大型私有数据集——这是针对”数据、精度与保密都重要”的工程场景的刻意设计。实际限制仍在:研究基准并非带拔模与肋板的完整工业铸件,真实制造件上的结果需要验证。把 CADFit 定位为”返回一个可编辑 CAD 起点程序的逆向工程助手”,并非”成品认证模型”。
所以在决定是否引入 CADFit 之前,先确认你的零件能用其算子集表达,并预留人工补完的余地,能显著降低落地风险,也避免把不合适的零件硬塞进这套方法。实际项目中,若零件以放样或扫掠为主,应提前规划人工补完或改用曲面路线,不要等到拟合失败再返工。
四、上手路径
最快的入口是仓库的重建流水线示例脚本:克隆 ghadinehme/CADFit,安装 CadQuery 与深度学习依赖,先在一段示例水密网格上跑通文档流水线,看到还原出的 CadQuery 程序及其 STEP/BREP 输出。第一次实验应从一个你也能手工建模的简单棱柱类零件开始,再把还原程序的特征树与你自己的对照——有意义的检验是”可编辑性”,并非仅仅是视觉吻合,因为视觉像不代表特征树好改。记录网格来源、容差、IoU 阈值与所用操作集,并在 CAD 软件中打开结果,确认你能改一个尺寸并让下游特征随之更新,这是判断输出是否工程可用的关键一步。新手最常见的错误是喂入非水密或自相交的网格,再归咎于优化器拟合差;网格预处理(修复、定向、补洞)是作者并未隐瞒的前置条件,跳过它几乎必然失败。由于轻量打分模型是可选的,你可以先跑”仅内核”的优化路径摸清循环,再接入学习先验。本站几何深度学习与机器人仿真提供相关工具链背景,配套的 CADStudio 界面可导入生成的代码并通过熟悉的特征树继续编辑。
建议把首次运行当作一次受控实验,记录网格来源、容差与所用操作集,并保留重建前后的模型,便于后续排查问题与复现结果,避免凭一次成功就直接采信。
五、横向对比
与”一次性前向预测整段程序”的网格到 CAD 生成器相比,CADFit 用速度换取了合法性与可编辑性:它可能更慢,但每个输出都经内核校验、特征树可搭建,而前向生成器常常产出合法率低的程序。与 DeepCAD 相比,后者从数据学习生成 CAD 命令序列,需要命令序列作输入、产出全新设计;CADFit 则从一个具体网格出发、还原生成它的那段特定程序,二者解决的是逆向工程问题的相反两端,恰好互补。与 Backflip AI、Autodesk Fusion 的 AutoTimeline、SOLIDWORKS 的网格到参数化等商业工具相比,CADFit 开源且基于优化,不要求把设计送上云、也不依赖私有语料训练,保密性更友好;代价是它缺少这些产品随附的插件与企业支持,落地到产线仍需自行集成。与几何重建基线(点云或 occupancy 生成器)相比,CADFit 输出的是参数化程序并非静态网格,这正是它能在既有工程工作流里被使用的原因。选型要害是:要”合法且可编辑”还是只要”原始生成速度”;需要把重建结果送进仿真时,可参考本站拓扑优化案例与风力机案例。
这些对比的前提是交付物必须是可编辑的特征树;若你只想要一张干净的网格,更轻量的几何重建基线可能更合适,不必强行上 CADFit,徒增运行与维护成本。选型时把需求讲清楚,比盲目追新更重要。
六、基准与数据
CADFit 的公开证据来自论文及其在多个 CAD 数据集上的基准结果。作者报告它在体素交并比(IoU)与倒角距离(Chamfer Distance)上优于先前的网格到 CAD 最优方法,同时大幅降低重建 CAD 程序的无效比(Invalid Ratio),在复杂设计上尤为明显,且在基准切片上无效比降至零;他们进一步展示了一个端到端”图像到 CAD”流水线(与图像到 3D 模型配对),在图像与网格两种输入上均达最优。这些是作者在论文自有切分上的自述结果,并非独立盲测,且作者自己也指出研究基准并非带拔模与肋板的真实工业铸件,故数字应在你的零件上重测,不应把”基准最优”直接外推到生产件。最站得住脚的证据是内核校验属性:由于每个候选都经真正的 CAD 内核检查,“无效比”的声明是结构性的并非统计性的,这与”偶尔跑崩”的方法有实质区别,也是它能被工程信任的根本原因。任何写进提案的精度数字都应来自你在固定容差与相同 IoU 阈值下的本地重跑,并非 README 示例。本站基于物理的深度学习提供周边理论支撑。
因此在工程上,应把论文数字视为该分布下的可复现基线,并在你的真实零件上建立本地基线,不宜把基准最优直接当作能力上限,后者往往会误导选型。
七、物理 AI 场景中的用法
在物理 AI 工作流里,CADFit 处在”仿真产物 ↔ 可编辑设计”之间的逆向工程缝线上。它最直接的价值是把 CAE 结果闭环回 CAD:当仿真产生或消费了一个 STL——无论是扫描的 legacy 零件、供应商网格,还是 AI 生成的形状——CADFit 返回一个人类可编辑、可标注尺寸、可重新网格化以进入下一轮仿真的参数化 CadQuery 程序。这正是 CAE 工程师在重新网格化与重新仿真之前所需的衔接,也把设计自动化接入物理 AI 流水线,让”扫描即设计”不再停留在演示。结合图像到 3D,它还能把单张照片变成可编辑的 CAD 起点,拓宽设计探索可以开始的地方,对缺乏原生 CAD 的历史件尤为实用。作者强调优化直接在几何本身上运行,无需私有训练数据、也无云端往返,这对”设计保密与精度不可妥协”的工程公司至关重要,也规避了把图纸送出内网的合规风险。务实的定位是:作为OpenFOAM 等求解器或物理 AI 框架的”先重建再编辑”前端,乃至与物理 AI 基础模型 POSEIDON配合,并非经典 CAD 或认证几何的替代品。
这也意味着 CADFit 更适合放在逆向到再设计的前端,不宜直接替代经典 CAD 或认证几何;在正式流程中使用前,应有一次独立的人工或求解校验,确认它在留出构型上确实成立。把它纳入流水线时,建议先在小批量零件上跑通,再决定是否推广到全量任务。
八、不适用场景与失效模式
CADFit 有几类明确限制。第一,输入质量:非水密、自相交或定向不良的网格会拟合得很差,网格修复是流水线无法替你免除的前置条件,跳过几乎必然失败。第二,算子覆盖:作者明确指出放样或扫掠类复杂形状是”数学会吃紧”之处,因为方法建立在草图—挤出—旋转加布尔之上,并不覆盖任意曲面建模,遇到自由曲面需要人工补完或换路线。第三,基准与现实的落差:研究数据集比带拔模、肋板、圆角的生产铸件更干净更简单,分布外零件需要额外验证,且可能要人工补全缺失特征。第四,运行时:在迭代循环内做内核校验算力沉重,与单次前向相比,特别大或特别精细的网格会消耗可观时间,批量处理时需评估成本。第五,许可与 IP:代码为 CC BY-NC 4.0(非商业),已提交临时专利,且由 Altair(现属 Siemens)初始资助,任何商业用途须联系作者授权——把它当作产品里可免费使用将是严重的合规错误,必须在引入前走授权流程。最被忽视的失效是把”还原出一段程序”误当作”还原出了正确的设计意图”,而该程序可能几何接近却参数化得难以制造。
综上,CADFit 在可编辑、可校验、可保密三点上优势明显,但其算子覆盖、运行时与许可限制决定了它更适合作为逆向工程助手,不宜当作通用重建器,引入前必须把这些边界讲清楚。
九、版本与口径核对
记录 1:CADFit 由 MIT 的 DeCoDE 实验室 Ghadi Nehme 主导,合作者 Siemens Digital Industries Software 的 Eamon Whalen 与 MIT 的 Faez Ahmed;论文《CADFit: Precise Mesh-to-CAD Program Generation with Hybrid Optimization》于 2026 年 5 月 2 日发于 arXiv(编号 2605.01171),并在首尔的 ICML 2026 展示,ICML 收录编号 poster/61824。记录 2:方法把重建形式化为对可执行 CadQuery 程序的 IoU 驱动优化,支持挤出、旋转、倒圆、倒角、并集与差集,并在基准切片上报告无效比为零、在 IoU 与倒角距离上优于先前网格到 CAD 方法;这些为项目自述的基准数字,非独立盲测。记录 3:代码以 CC BY-NC 4.0 发布(非商业;商业授权须联系作者),Nehme 与 Siemens 已提交临时专利申请,初始资助来自现属 Siemens 的 Altair;随附的 CADStudio 为开源编辑界面。记录 4(核对纪律):引用 CADFit 结果时,必须记录网格来源、IoU 阈值与容差、操作集与 CadQuery 版本,因为重建质量取决于这些选择;缺此语境的数字无法复现,也不应在对外提案中直接使用。以上记录于 2026 年 11 月 12 日对照仓库、论文与 ICML 2026 列表核实。
把这些上下文随结果一并归档,既是可复现的要求,也是在对外交付或跨团队交接时,把一句数字升级为可审计事实的必要环节。尤其当结果要进入提案或客户报告时,缺少网格来源、IoU 阈值与 CadQuery 版本中任何一项,该数字都无法被他人复现,也就无法被辩护。因此,把归档动作纳入交付清单,比事后补记更可靠,也更能经得起审查。核查动作本身不增加算力成本,却能在审计与交付时省下大量返工,值得作为固定步骤执行。
十、参考资料
- Nehme G., Whalen E., Ahmed F.,《CADFit: Precise Mesh-to-CAD Program Generation with Hybrid Optimization》,ICML 2026,arXiv:2605.01171。
- Wu R. 等,《DeepCAD: A Deep Generative Network for Computer-Aided Design Models》,ICCV 2021,arXiv:2105.09492。
- Koch S. 等,《ABC: A Big CAD Model Dataset For Geometric Deep Learning》,CVPR 2019,arXiv:1812.06216。
- Seff A. 等,《SketchGraphs: A Large-Scale Dataset for Modeling Relational Geometry in Computer-Aided Design》,ICML 2020 Workshop on Object-Oriented Learning,arXiv:2007.08506。
- Willis K. D. D. 等,《Engineering Sketch Generation for Computer-Aided Design》,CVPRW 2021 Sketch-Oriented Deep Learning Workshop,arXiv:2104.09621。
- Xu X. 等,《BrepGen: A B-rep Generative Diffusion Model with Structured Latent Geometry》,SIGGRAPH 2024,arXiv:2401.15563。
- Qi C. R. 等,《PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation》,CVPR 2017,arXiv:1612.00593。
- Nash C. 等,《PolyGen: An Autoregressive Generative Model of 3D Meshes》,ICML 2020,arXiv:2002.10880。