Text-to-CAD Retrieval: a Strong Baseline

Resumo Técnico: Recuperação Texto-para-CAD: uma Linha de Base Forte

Definição do Problema
O artigo aborda o desafio crítico e pouco explorado de recuperar modelos legados de Desenho Assistido por Computador (CAD) usando consultas em linguagem natural. Repositórios industriais tradicionais de CAD dependem de nomes de arquivos, estruturas de diretórios ou memória manual para busca, o que limita a escalabilidade e a precisão. Os autores formalizam a recuperação texto-para-CAD como uma nova tarefa de recuperação multimodal. O objetivo é mapear descrições textuais e modelos CAD em um espaço de incorporação compartilhado, onde pares semanticamente relevantes estejam próximos e pares incompatíveis estejam distantes. Um desafio primário identificado é representar modelos CAD em um formato adequado para aprendizado; enquanto sequências procedimentais (comandos e parâmetros) capturam a lógica de construção, elas frequentemente carecem de características geométricas explícitas cruciais para a correspondência semântica.

Metodologia
Os autores propõem um framework unificado que aproveita representações multimodais de modelos CAD, combinando sequências procedimentais e nuvens de pontos geométricas. A arquitetura consiste em três codificadores e um decodificador auxiliar durante o treinamento:

1. Codificadores:

   • Codificador de Texto ($\phi_T$): Utiliza um tokenizador de linguagem pré-treinado (por exemplo, CLIP ou BERT) seguido por um codificador Transformer treinável para gerar representações semânticas.
   • Codificador de Sequência ($\phi_S$): Uma pilha baseada em Transformer que processa sequências ordenadas de primitivas geométricas 2D e comandos de modelagem.
   • Codificador de Pontos ($\phi_P$): Adapta redes existentes baseadas em pontos (por exemplo, PointNet ou PointTransformer) para extrair características geométricas explícitas de nuvens de pontos amostradas de entidades CAD.

2. Estratégia de Treinamento (Alinhamento Implícito):

   • Função de Perda de Recuperação: O modelo emprega uma perda InfoNCE bidirecional para supervisionar os pares texto-sequência e texto-pontos independentemente, afastando pares não correspondentes no espaço de incorporação.
   • Decodificador de Características ($\psi_S$): Um módulo auxiliar novel introduzido exclusivamente para treinamento. Ele reconstrói características de sequência mascaradas ($\hat{F}^S$) usando atenção cruzada, onde a sequência mascarada atua como consulta, e as características de texto e pontos servem alternadamente como chaves e valores. Isso força os codificadores de texto e pontos a aprender representações que são complementares e alinhadas com a modalidade de sequência, sem exigir contraste positivo-negativo explícito entre todas as três modalidades.
   • Função de Perda: O objetivo total combina a perda de recuperação e uma perda de reconstrução de Erro Quadrático Médio (MSE) ($\mathcal{L} = \mathcal{L}_{ret} + \lambda \mathcal{L}_{rec}$).

3. Inferência:

   • O decodificador de características é descartado durante a inferência.
   • A representação final do CAD é formada concatenando as características de sequência e pontos agrupadas ($f^M = [f^S; f^P]$).
   • A característica de texto é duplicada para corresponder à dimensionalidade da incorporação CAD ($f^T = [f^T; f^T]$).
   • A recuperação é realizada calculando a similaridade cosseno entre as características de CAD concatenadas e as características de texto duplicadas.

Principais Contribuições

1. Formalização da Tarefa: O artigo introduz formalmente a recuperação texto-para-CAD como uma tarefa distinta de recuperação multimodal, estabelecendo um benchmark prático usando anotações texto-CAD emparelhadas de conjuntos de dados de geração existentes (Text2CAD e CadTranslator).
2. Framework de Linha de Base Forte: Os autores propõem um framework multimodal que aprende tanto de sequências procedimentais quanto de nuvens de pontos geométricas. Incorpora um decodificador de características novel para alcançar alinhamento multimodal implícito durante o treinamento, servindo como uma linha de base forte para o campo.
3. Validação Empírica: Análises quantitativas demonstram a superioridade da abordagem sobre modelos existentes de recuperação de forma 3D texto-para-3D. Resultados qualitativos confirmam a sensibilidade do método a descrições geométricas específicas em consultas textuais.

Resultados Experimentais
O modelo foi avaliado em dois conjuntos de dados: Text2CAD e CadTranslator, ambos derivados do repositório DeepCAD.

• Desempenho: No conjunto de dados Text2CAD, o método proposto (IMMA) alcançou uma precisão Rank-1 (R1) de 9,71%, uma melhoria significativa em relação ao uso de características de sequência isoladas (5,00%) e superando métodos state-of-the-art como SCA3D (6,33%) e Parts2Words (4,81%). No CadTranslator, alcançou um R1 de 8,02%.
• Estudos de Ablação:
  • Fusão Multimodal: A combinação de características de sequência e pontos superou significativamente as variantes de modalidade única.
  • Decodificador de Características: A inclusão do decodificador de reconstrução produziu ganhos substanciais, particularmente no Text2CAD (melhorando o R1 de 6,99% para 9,71%).
  • Hiperparâmetros: O modelo mostrou robustez em relação ao peso da perda de reconstrução ($\lambda$) e à taxa de mascaramento ($r$), com desempenho ótimo observado em configurações específicas (por exemplo, $r=0,5$ para Text2CAD).
• Comparação: O método proposto superou versões adaptadas de modelos SOTA de recuperação texto-para-3D (Parts2Words, TriCoLo, SCA3D, RoMa) e várias estratégias de fusão multimodal (Concatenação & Linear, Autoatenção, Atenção Cruzada, Modulação), sugerindo que a concatenação simples com alinhamento implícito é mais eficaz do que fusão complexa para essa lacuna modal específica.

Significado
O artigo posiciona este trabalho como um passo fundamental para a reutilização de designs legados industriais, permitindo que engenheiros consultem repositórios de CAD em grande escala usando linguagem natural. Além disso, os autores afirmam que o framework estabelece as bases para paradigmas downstream de geração de CAD, especificamente Geração Aumentada por Recuperação (RAG), ao estabelecer um mecanismo confiável para recuperar modelos CAD semanticamente relevantes com base em texto. O código-fonte está destinado a ser liberado para facilitar pesquisas futuras.