HoLa：使用整体潜在表示生成 B-Rep

基于摘要分析。本文研究计算机辅助设计（CAD）模型的边界表示（B-Rep）学习与生成，提出整体潜在表示 HoLa，将曲面、曲线等几何基元的连续属性及其离散拓扑关系统一编码，并据此构建支持多种条件输入的扩散生成器。 核心机制是利用两曲面的拓扑连接与其相交曲线几何之间的关联，把 B-Rep 的拓扑学习转化为欧氏空间中的几何重建问题。方法通过神经求交网络，从一对曲面基元中辨别并推导曲线几何；潜在空间仅定义于曲面，不显式保留曲线、顶点及拓扑连接，却旨在编码包含这些要素的完整 B-Rep。其关键区别在于减少对多类几何基元和拓扑关系的分阶段建模，而非单纯增加生成器复杂度。 作者报告，该潜在空间支持以点云、单视图或多视图图像、二维草图和文本提示为条件的扩散生成，并减少生成基元间的歧义、冗余、不一致及既有多步骤流程的训练复杂性。摘要报告 B-Rep 有效率为 82%，对照的现有方法约为 50%；但未提供对应数据集、划分、条件输入设置、对照方法和有效性判据，因而该比较仅能作为作者报告，不能外推至所有输入类型或应用场景。 训练目标、网络结构、几何退化情形的处理、实验协议、消融及统计信息尚未验证，复现所需代码与数据条件也尚未核实。本文主要对象是 CAD 几何与拓扑生成，材料未提供 EEG 或 BCI 验证，也未建立可直接对应的神经信号机制，因此不据此提出 BCI 迁移效果或复现实验建议。