HoLa：使用整体潜在表示生成 B-Rep

基于摘要分析。HoLa 面向计算机辅助设计（CAD）的边界表示（B-Rep）学习与生成，将曲面、曲线等连续几何属性及其离散拓扑关系统一编码到仅定义于曲面的整体潜在空间，并以此支持多种条件输入的扩散式生成。 核心机制是利用“两曲面的拓扑连接与其交线几何内在相关”这一先验，将 B-Rep 拓扑学习改写为欧氏空间中的几何重建问题。方法通过 neural intersection network，从成对曲面基元辨识并推导曲线几何，因此不在潜在空间中显式保留曲线、顶点及拓扑连接，但仍以曲面潜在表示编码完整 B-Rep 的几何与拓扑信息。摘要未说明该网络的具体结构、训练监督、损失形式，以及顶点与拓扑关系的完整恢复流程。 作者报告，该紧凑表示支持以点云、单视图或多视图图像、二维草图及文本提示为条件的扩散式生成，并减少既有多阶段 B-Rep 学习流程中的歧义、冗余、不一致性及训练复杂度。作者报告生成 B-Rep 的有效率为 82%，对照当前先进方法约为 50%；但摘要未提供数据集、划分、有效性判定标准、具体基线及条件输入设置，因此该数值仅能按摘要所述对照理解，实验协议、消融及统计信息尚未验证。 该工作的主要贡献属于 CAD 几何与拓扑联合表示，而非神经信号建模。其机制依赖明确的曲面—交线几何关系，当前材料不足以建立与 EEG/BCI 数据结构的具体对应关系，因此不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。