論文の概要: DrawingsDreamer: A Unified Multi-View Engineering Drawings Generation Model
- arxiv url: http://arxiv.org/abs/2609.35242v1
- Date: Mon, 28 Sep 2026 14:15:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 07:16:37.083612
- Title: DrawingsDreamer: A Unified Multi-View Engineering Drawings Generation Model
- Title（参考訳）: DrawingsDreamer: 統一されたマルチビューエンジニアリングドローイング生成モデル
- Abstract要約: textbfDrawingsDreamerは、多視点ベクトルベースのエンジニアリング描画生成のためのLLM(Large Language Model)駆動フレームワークである。
本モデルは,様々な条件および非条件生成タスクにおいて,幾何学的忠実度と構文的精度の両方において高い性能を達成する。
- 参考スコア（独自算出の注目度）: 10.730185975059745
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scalable Vector Graphics (SVG) are essential for modern industrial Computer-Aided Design (CAD). However, existing autoregressive SVG generation models are predominantly tailored for artistic creation and struggle to maintain the rigorous geometric fidelity and cross-view spatial alignment required for engineering drawings. To bridge this gap, we introduce \textbf{DrawingsDreamer}, a unified Large Language Model (LLM)-driven framework for multi-view vector-based engineering drawings generation. By formulating the generation of multi-view engineering drawings purely as a sequence modeling task, we eliminate the need of raster image encoders. We propose a Streamlined Representation utilizing hierarchical postfix tokenization, which guides the model to establish local geometric coordinates before assigning semantic boundaries. Optimized via a progressive task-aware curriculum schedule, \textbf{DrawingsDreamer} effectively transitions from localized structural repair to macroscopic generation in a unified model. Extensive experiments demonstrate that our unified model achieves strong performance in both geometric fidelity and syntactic accuracy across diverse conditional and unconditional generation tasks.
- Abstract（参考訳）: スケーラブルベクトルグラフィックス(SVG)は、現代の産業用コンピュータ支援設計(CAD)において不可欠である。
しかし、既存の自己回帰型SVG生成モデルは、主に芸術的な創造と、厳密な幾何学的忠実さとエンジニアリング図面に必要な横方向空間アライメントの維持に苦慮している。
このギャップを埋めるために、多視点ベクトルベースのエンジニアリング図面生成のための統一大言語モデル(LLM)駆動フレームワークである \textbf{DrawingsDreamer} を導入する。
シーケンスモデリングタスクとして純粋に多視点エンジニアリング図の作成を定式化することにより、ラスタ画像エンコーダの必要性を解消する。
本稿では,階層的なポストフィックストークン化を利用した合理化表現を提案する。
プログレッシブなタスク対応のカリキュラムスケジュールによって最適化された \textbf{DrawingsDreamer} は、局所的な構造修復から統一モデルにおけるマクロ生成へ効果的に移行する。
拡張実験により, 多様な条件および非条件生成タスクにおいて, 幾何学的忠実度と構文的精度の両方において, 統一モデルが強い性能を発揮することが示された。
関連論文リスト
- SNCE: Geometry-Aware Supervision for Scalable Discrete Image Generation [64.29376407025768]
Neighbor Cross Entropy Minimization (SNCE)は、大容量の離散画像生成装置の最適化課題に対処するために設計された、新しいトレーニング目標である。
我々は,クラス条件のImageNet-256生成,大規模テキスト・画像合成,画像編集タスクについて実験を行った。
その結果,SNCEは標準のクロスエントロピー目標と比較してコンバージェンス速度と全体の生成品質を著しく向上することがわかった。
論文 参考訳（メタデータ） (2026-03-16T11:44:11Z) - CME-CAD: Heterogeneous Collaborative Multi-Expert Reinforcement Learning for CAD Code Generation [30.08737988265254]
スケッチから3Dモデルを再構築する既存の方法は、しばしば非編集可能で近似的なモデルを生成する。
本稿では,CADコード生成のための新しい訓練パラダイムであるCME-CAD(Heterogeneous Collaborative Multi-Expert Reinforcement Learning)パラダイムを提案する。
MERL(Multi-Expert Fine-Tuning)とMulti-Expert Reinforcement Learning(MERL)という2段階の学習プロセスを導入する。
論文 参考訳（メタデータ） (2025-12-29T09:37:53Z) - GACO-CAD: Geometry-Augmented and Conciseness-Optimized CAD Model Generation from Single Image [11.612167656421079]
マルチモーダル大言語モデル(MLLM)は2次元画像から3次元幾何学を正確に推定するのに依然として苦労している。
本稿では,新しい2段階後学習フレームワークGACO-CADを紹介する。
DeepCADとFusion360データセットの実験は、GACO-CADが最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2025-10-20T04:57:20Z) - CreatiDesign: A Unified Multi-Conditional Diffusion Transformer for Creative Graphic Design [69.83433430133302]
CreatiDesignは、モデルアーキテクチャとデータセット構築の両方をカバーする、自動グラフィック設計のための体系的なソリューションである。
まず、異種設計要素の柔軟かつ正確な統合を可能にする統合されたマルチ条件駆動アーキテクチャを設計する。
さらに,各条件が指定された画像領域を正確に制御することを保証するため,マルチモーダルアテンションマスク機構を提案する。
論文 参考訳（メタデータ） (2025-05-25T12:14:23Z) - GenCAD: Image-Conditioned Computer-Aided Design Generation with Transformer-Based Contrastive Representation and Diffusion Priors [3.796768352477804]
CAD(Computer-Aided Design)による製造可能で編集可能な3D形状の作成は、手作業と時間を要する作業である。
本稿では、画像入力をパラメトリックCADコマンドシーケンスに変換するために、コントラスト学習フレームワークと潜時拡散モデルを備えた自己回帰変換器を用いた生成モデルであるGenCADを紹介する。
論文 参考訳（メタデータ） (2024-09-08T23:49:11Z) - Pushing Auto-regressive Models for 3D Shape Generation at Capacity and Scalability [118.26563926533517]
自己回帰モデルでは,格子空間における関節分布をモデル化することにより,2次元画像生成において顕著な結果が得られた。
自動回帰モデルを3次元領域に拡張し,キャパシティとスケーラビリティを同時に向上することにより,3次元形状生成の強力な能力を求める。
論文 参考訳（メタデータ） (2024-02-19T15:33:09Z) - Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
自己回帰(AR)モデルはグリッド空間の関節分布をモデル化することにより2次元画像生成において印象的な結果を得た。
本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
論文 参考訳（メタデータ） (2023-03-26T12:03:18Z) - SketchGen: Generating Constrained CAD Sketches [34.26732809515799]
異種性問題に対処するトランスフォーマーアーキテクチャに基づく生成モデルとしてSketchGenを提案する。
私たちの仕事のハイライトは、最終的なアウトプットをより規則化するための制約によってリンクされたプリミティブを生成する機能です。
論文 参考訳（メタデータ） (2021-06-04T20:45:03Z) - CoSE: Compositional Stroke Embeddings [52.529172734044664]
本稿では、ストロークベースの描画タスクのような複雑な自由形式構造に対する生成モデルを提案する。
我々のアプローチは、自動補完図のようなインタラクティブなユースケースに適している。
論文 参考訳（メタデータ） (2020-06-17T15:22:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。