Brep2Shape: 自己教師学習トランスフォーマーによる境界表現と形状表現の整合化

arXiv:2602.07429v1 Announce Type: new 要旨：境界表現（B-rep）は、コンピュータ支援設計（CAD）の業界標準です。機械学習は B-rep モデルを処理する上で有望ですが、既存の手法は「表現のギャップ」に苦しんでいます：連続的な手法は解析的な精度を有りますが視覚的抽象性が高く、不連続な手法は直感的な明晰性を提供しますが幾何学的精度を犠牲にしています。このギャップを埋めるために、我々は抽象的な境界表現を直感的な形状表現と整合させることを目的とした自己教師学習の事前学習手法「Brep2Shape」を導入しました。我々の手法は、幾何学的なタスクを雇用し、モデルがパラメトリックなベーzier制御点から密集した空間点を予測するよう学習させることで、抽象的な係数から導出された物理的幾何学体（manifold）をより良く理解できるようにしています。この整合性を向上させるために、我々は表面トークンと曲線トークンをそれぞれ独立してエンコードしてその異なる幾何学的特性を捉えるために並列ストリームを備えた二重トランスフォーマーの骨格を提案しました。さらに、トポロジーアテンションが統合され、表面と曲線間の相互依存関係をモデル化し、トポロジー的一貫性を維持しています。実験結果は、Brep2Shape がさまざまなダウンストリームのタスクにおいて最先端の精度とより高速な収束を実現する大きなスケーラビリティを提供することを示しています。

arXiv:2602.07429v1 Announce Type: new Abstract: Boundary representation (B-rep) is the industry standard for computer-aided design (CAD). While deep learning shows promise in processing B-rep models, existing methods suffer from a representation gap: continuous approaches offer analytical precision but are visually abstract, whereas discrete methods provide intuitive clarity at the expense of geometric precision. To bridge this gap, we introduce Brep2Shape, a novel self-supervised pre-training method designed to align abstract boundary representations with intuitive shape representations. Our method employs a geometry-aware task where the model learns to predict dense spatial points from parametric B\'ezier control points, enabling the network to better understand physical manifolds derived from abstract coefficients. To enhance this alignment, we propose a Dual Transformer backbone with parallel streams that independently encode surface and curve tokens to capture their distinct geometric properties. Moreover, the topology attention is integrated to model the interdependencies between surfaces and curves, thereby maintaining topological consistency. Experimental results demonstrate that Brep2Shape offers significant scalability, achieving state-of-the-art accuracy and faster convergence across various downstream tasks.