Fusion 360 Gallery

Fusion 360 Gallery数据集由欧特克研究院创建，包含8625个由人类设计师使用CAD软件Fusion 360创作的设计序列。数据集中的每个设计序列都以简洁的程序化形式表达，使用Sketch和Extrude两种主要建模操作。数据集旨在为机器学习方法提供真实世界的设计序列，以解决CAD建模中的逆向工程和自动化设计问题。创建过程中，数据集从约20,000个原始设计中筛选并解析出建模操作序列。该数据集的应用领域包括CAD程序的自动生成、设计序列的学习和优化，以及通过机器学习方法提高设计效率和创新性。The Fusion 360 Gallery dataset was created by Autodesk Research, containing 8,625 design sequences crafted by human designers using the CAD software Fusion 360. Each design sequence in the dataset is represented in a concise procedural format utilizing two core modeling operations: Sketch and Extrude. This dataset is designed to provide real-world design sequences for machine learning approaches, addressing reverse engineering and automated design challenges in CAD modeling. During its development, the dataset was curated and parsed from approximately 20,000 original designs to extract modeling operation sequences. Application scenarios of this dataset include automatic generation of CAD programs, learning and optimization of design sequences, and enhancing design efficiency and innovativeness through machine learning techniques.

搜集汇总

数据集介绍

构建方式

在参数化计算机辅助设计领域，Fusion 360 Gallery 数据集的构建过程体现了对真实设计序列的系统性采集与结构化转换。该数据集源自 Autodesk Fusion 360 软件用户提交至在线图库的约两万个原生设计文件，通过解析文件的参数化历史，提取出以草图与拉伸为核心建模操作的构建序列。为平衡设计表达能力与学习任务的可行性，研究团队将建模操作限定为最常用的草图与拉伸两类，并抑制了圆角等其他操作以扩充数据规模。最终，经过重建验证与去重处理，形成了包含 8,625 个设计程序的精炼集合，每个程序均以简化的领域特定语言表达，完整记录了从初始几何状态到最终形状的渐进式构造过程。

特点

该数据集的核心特点在于其首次提供了大规模、真实世界的人类三维CAD设计序列，并以程序化形式封装。其设计程序采用简洁而富有表达力的领域特定语言，仅包含草图创建与拉伸操作，同时内嵌了布尔运算功能，能够构建出高度多样化的机械组件几何形状。数据集不仅包含最终的边界表示几何，还完整存储了中间构造状态，使得设计意图与编辑历史得以保留。此外，配套的 Fusion 360 Gym 交互环境将CAD程序构建过程形式化为马尔可夫决策过程，为机器学习方法提供了标准化的训练与评估平台，弥合了传统几何数据与程序化构造知识之间的鸿沟。

使用方法

研究人员可通过 Fusion 360 Gym 环境交互式地执行数据集中的设计程序，或将其应用于CAD重建等基准任务。该环境支持两种动作表示：草图拉伸允许智能体生成原始草图曲线并拉伸，而面拉伸则简化了预测问题，直接利用目标几何中的平行面作为拉伸轮廓。典型使用流程包括：首先加载目标几何作为重建对象，智能体依据当前状态与策略选择建模操作，环境执行操作并更新几何状态，同时提供边界表示图等反馈。用户可定义自定义奖励函数，并利用神经引导搜索等算法，在有限的环境步数预算内探索重建序列。数据集还可用于程序合成、序列建模、生成模型及几何深度学习等多种衍生任务。

背景与挑战

背景概述

在计算机辅助设计领域，参数化建模作为制造对象设计的标准范式，长期以来依赖于程序化表示三维形状。然而，尽管参数化CAD技术普及且研究兴趣日益增长，此前缺乏以简洁程序化形式呈现的真实CAD模型数据集。2021年，由Autodesk Research与麻省理工学院联合团队推出的Fusion 360 Gallery数据集填补了这一空白。该数据集收录了8,625个人类设计序列，通过简化的草图与拉伸操作语言，将CAD建模过程转化为可执行的程序化结构。其核心研究问题在于如何从几何目标中恢复CAD程序序列，为基于学习的CAD重建任务提供了首个真实世界基准，显著推动了几何合成与逆向工程领域的发展。

当前挑战

Fusion 360 Gallery数据集面临的挑战主要体现在两个方面：在领域问题层面，CAD重建任务需从目标几何中推断连续参数与离散操作混合的组合搜索空间，传统方法难以完整恢复从初始步骤开始的构建序列；同时，学习型方法需克服草图约束求解的复杂性，以生成适用于机械零件的有效几何。在构建过程层面，数据集的创建需从原始CAD文件中解析参数历史，并抑制非草图与拉伸操作以扩展数据规模，但这也导致部分设计复杂度受限；此外，数据集中约38%的设计仅包含单次拉伸操作，虽反映了真实CAD设计的普遍性，却为学习算法带来了简单序列与复杂结构之间的平衡挑战。

常用场景

经典使用场景

在计算机辅助设计领域，Fusion 360 Gallery数据集为程序化CAD建模提供了关键的研究基础。该数据集最经典的使用场景在于支持基于学习的CAD重建任务，即从给定的三维几何形状中恢复出对应的CAD程序构造序列。研究者利用数据集中的8625个人类设计序列，通过模仿学习训练智能体，使其能够在Fusion 360 Gym环境中逐步执行草图绘制和拉伸操作，从而重建目标几何体。这一过程模拟了人类设计师的迭代构建逻辑，为理解设计意图与操作序列之间的映射关系提供了标准化实验平台。

衍生相关工作

围绕该数据集已衍生出多个具有影响力的研究方向。在几何程序合成领域，研究者基于其构建的神经引导搜索框架启发了后续的BSP-Net等结构化生成网络。数据集提供的边界表示图编码方案被拓展用于三维形状的结构化分析任务，促进了基于图神经网络的几何深度学习进展。同时，其提出的草图-拉伸操作范式推动了CSGNet、ShapeAssembly等生成模型向更符合工程实践的方向演进。在跨模态重建方面，相关工作开始探索从图像或点云直接生成CAD构造序列的端到端方法，这些研究均建立在数据集提供的真实设计序列与可执行环境基础之上。

数据集最近研究

最新研究方向

在计算机辅助设计领域，Fusion 360 Gallery数据集以其独特的程序化CAD构建序列，为基于学习的几何合成与重建研究开辟了新路径。当前前沿研究聚焦于利用神经引导搜索方法，从边界表示几何中恢复CAD程序序列，探索了图卷积网络、图注意力网络等消息传递网络在建模操作预测中的应用。这一方向与智能制造和逆向工程的热点事件紧密相连，推动了CAD模型从静态几何向可编辑参数化表示的转化，对提升设计自动化、增强模型互操作性具有深远意义。

相关研究论文

• Fusion 360 Gallery: A Dataset and Environment for Programmatic CAD Construction from Human Design Sequences

  欧特克研究院 · 2021年