跳到正文
OpenReview · Representation learning· Junhao Hou; Chenqi Luo; Pufan Wang; Jiaying Lu; Yusheng Liu; Feiwei Qin; Meie Fang; Kun Zhou·· 2026-09-17精选AI 评分75

HiFi-BRep:用于鲁棒 B-Rep 生成的高保真潜表示

HiFi-BRep: High-Fidelity Latent Representation for Robust B-Rep Generation

AI 导读

基于摘要分析。HiFi-BRep 面向计算机辅助设计中的边界表示(B-Rep)生成,旨在同时提升几何保真度与结构有效性。其核心贡献是结合拓扑感知编码器与单阶段并行解码器,分别处理潜表示污染和生成过程中的误差传播问题。 机制方面,作者将现有方法的脆弱性分为两类:一是填充噪声与特征污染导致的表示脆弱性;二是序列式生成中的误差累积,以及不可微有效性约束造成的训练与推理不一致。编码器通过可学习查询消除填充,并用拓扑引导注意力抑制特征污染;解码器并行联合预测几何与拓扑,将核心流形约束纳入可微学习目标,使两类信息相互引导,避免级联生成误差。摘要未给出约束的具体形式、损失定义及有效性判定细节。 作者报告,在其 B-Rep 生成实验中,HiFi-BRep 的结构有效性与几何保真度均优于所比较的现有先进方法;但摘要未提供数据集、数据划分、基线名称、指标定义或具体数值,因此无法判断提升幅度及适用范围。实验协议、消融及统计信息尚未验证。 作者声明代码与模型已公开,但实现完整性与复现条件尚未核验。该研究的直接对象是 CAD 几何与拓扑生成;现有材料未建立其机制与 EEG 或 BCI 任务的具体对应关系,不能据此推断神经信号任务收益。

阅读价值

值得核对其拓扑引导潜表示与可微流形约束能否共同改善 B-Rep 的结构有效性和几何保真度,但摘要中的优越性结论尚需结合具体基线、评估协议及消融验证。

来源:OpenReview · Representation learning · openreview.net