GeoFusion-CAD：融合几何状态空间的结构感知扩散，用于参数化 3D 设计

基于摘要分析。该研究针对参数化 Computer-Aided Design（CAD）中长命令序列难以生成、复杂几何与拓扑依赖难以保持的问题，提出端到端扩散框架 GeoFusion-CAD，并引入用于长序列评估的 DeepCAD-240。 方法将 CAD 程序编码为层级树，在状态空间扩散过程中联合表示几何与拓扑。其轻量级 G-Mamba 模块通过选择性状态转移建模长程结构依赖，目标是在较长命令序列中维持生成的一致性。论文将 Transformer 的二次注意力开销与上下文窗口限制作为扩展长程序生成的动机，但摘要未提供 G-Mamba 的具体状态定义、树结构编码方式、扩散目标、训练损失或推理流程，尚不能据此确认实际计算与内存优势。 评估方面，作者介绍 DeepCAD-240 将命令序列长度从 40 扩展至 240，同时保留来自 ABC dataset 的草图—拉伸语义。作者报告，在短、长命令范围的实验中，GeoFusion-CAD 优于所比较的方法，且在 Transformer 模型表现下降的长序列场景中保持较高几何保真度与拓扑一致性；作者同时声称取得长序列参数化 CAD 生成的新 SOTA。摘要没有给出具体指标、分数、数据划分或对照配置，实验协议、消融及统计信息尚未验证，不能量化其优势或判断比较的可比性。 复现时需核对长序列基准的构建与划分、不同长度区间的评估方式、几何及拓扑指标定义，以及层级树表示和 G-Mamba 各自的贡献。摘要称代码与数据集已作为附件提供，并计划在 GitHub 发布；附件内容与公开可用性尚未验证。 本研究的主要对象是参数化 CAD 程序，而非神经信号或 BCI。其机制依赖 CAD 命令的层级结构及几何—拓扑约束，摘要未提供与 EEG 数据结构的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。