通过级联离散扩散模型生成计算机辅助设计

最近的深度学习方法寻求通过将模型表示为一系列离散命令和参数来自动化 CAD 创建，然后使用自回归模型或在欧几里得嵌入空间中运行的连续扩散来生成它们。然而，连续扩散会扰乱连续欧几里德域中的表示，而该域不能反映 CAD 标记固有的离散和异构性质，通常会产生映射到语义上无效符号的扰动表示。为了克服这一限制，我们提出了一种用于 CAD 生成的级联离散扩散框架，该框架由用于生成 CAD 命令的命令扩散和以 CAD 命令为条件的参数扩散组成。与各向同性高斯扰动不同，我们方法的前向过程使用微妙的转换矩阵直接在分类标记分布上运行。对于命令，我们采用吸收状态转换矩阵，逐步将标记破坏为指定符号；对于参数，我们引入了针对异构属性定制的特定转换矩阵：用于坐标连续性的高斯核、用于维度值的尺度不变核以及用于布尔属性的先验保留核。相反的过程是通过两个去噪网络实现的：用于命令恢复的基于 Transformer 的编码器，以及用于命令级交互的具有额外局部自注意力和用于条件注入的交叉注意力的参数网络。 DeepCAD 数据集上的实验表明，所提出的方法在无条件生成指标上超越了现有的自回归和连续扩散模型，而定性结果验证了条件生成任务中的有效可控性。源代码将被发布。