في عالم التصميم باستخدام الذكاء الاصطناعي، يعد استرجاع برامج CAD القابلة للتعديل من الصور أو المشاهد ثلاثية الأبعاد محوراً أساسياً لتصميم المنتجات. ومع ذلك، كانت عملية قياس التقدم في هذا المجال صعبة بسبب التقييمات fragmented التي تعتمد على مجموعات بيانات وأساليب تقييم مختلفة. هنا يأتي دور CADBench، المرجعية الجديدة التي تهدف إلى توحيد العملية ورفع مستوى الفعالية.

يتضمن CADBench ما يزيد عن 18,000 عينة تقييم موزعة على ست عائلات مرجعية مستمدة من DeepCAD وFusion 360 وABC وMCB وObjaverse. كما يشمل خمس طرق إدخال، تتنوع بين الشبكات النظيفة والشبكات المشوشة، والتصييرات المفردة، والتصييرات الفوتوغرافية الواقعية، والتصييرات المتعددة الرؤى. كل ذلك مع ست مقاييس تشمل الدقة الهندسية، والقابلية للتنفيذ، وcompactness البرامج.

لتقديم رؤى دقيقة، تم تصنيف العائلات المعتمدة على STEP وفقاً لعدد الوجوه من نوع B-rep، وتُعدّ جميع العائلات عينة تعكس تنوعاً لدعم التحليلات القابلة للتحكم عبر تعقيد وتنوع الأجسام.

من خلال اختبار 11 نظاماً تمتاز برؤى لغوية متخصصة في CAD وأنظمة عامة، تم إنتاج أكثر من 1.4 مليون برنامج CAD. توضح النتائج في الظروف المثلى أن نماذج الشبكة الخاصة بتوليد CAD تتفوق بشكل ملحوظ على نماذج VLMs المُنتجة للشيفرات، والتي لا تزال بعيدة عن تحقيق موثوقية في إعادة بناء برامج CAD.

يظهر CADBench أيضاً ثلاث آليات لفشل التكرار: تنخفض جودة إعادة البناء مع زيادة التعقيد الهندسي، والنماذج المتخصصة في CAD قد تكون هشة تحت تغييرات الأسلوب، وتختلف تصنيفات النماذج بين المقاييس. معاً، تقدم هذه النتائج CADBench كأداة تشخيص استراتيجية لقياس التقدم في إعادة البناء ثلاثية الأبعاد القابلة للتعديل وفهم CAD المتعدد الأبعاد. لمزيد من المعلومات، يمكنكم زيارة المرجع العام المتاح عبر الرابط: https://huggingface.co/datasets/DeCoDELab/CADBench.