Fusion 360 Gallery Assembly dataset

本研究构建的接口感知数据集基于Autodesk的Fusion 360 Gallery Assembly数据集进行深度增强。该数据集核心包含机械装配体的三维几何信息，通过重新计算高保真接口几何、修正缺失与错误接触关系，并生成局部接触区域的点云表示，显著提升了数据质量。数据创建过程涉及对原始装配图表示的扩展，在节点中嵌入零件几何信息，在边中嵌入局部接口信息，形成具有几何上下文的图结构。该数据集主要应用于计算机辅助设计领域，旨在解决机械装配中的上下文感知零件检索问题，通过接口几何信息帮助机器学习模型理解零件在装配环境中的功能约束与交互关系。The interface-aware dataset developed in this study is deeply enhanced based on Autodesk's Fusion 360 Gallery Assembly dataset. The core of this dataset contains 3D geometric information of mechanical assemblies. Its data quality is significantly improved by recalculating high-fidelity interface geometry, correcting missing and erroneous contact relationships, and generating point cloud representations of local contact regions. The data creation process expands the original assembly diagram representation by embedding part geometric information into nodes and local interface information into edges, thereby forming a graph structure with geometric context. This dataset is primarily applied in the field of computer-aided design (CAD), aiming to solve the context-aware part retrieval problem in mechanical assemblies, and helps machine learning models understand the functional constraints and interactive relationships of parts in the assembly environment through interface geometric information.

原始信息汇总

数据集概述

项目名称: Linkify: Learning from Interface-Augmented Assembly Graphs

核心目标:

• 提出一个从接口增强的装配图中学习的框架，实现机械装配中的上下文感知零件检索。
• 通过重新计算Fusion 360 Gallery Assembly数据集的高保真接口几何信息，生成局部接触区域的点云表示，构建节点编码零件几何、边编码接口几何的装配图。
• 基于图注意力网络（GATv2）训练模型，解决遮蔽零件预测任务，即从大型词汇表中预测缺失组件的类别。

数据集详情

• 前缀: contacts_assembly_json
• 未压缩大小: 211 GB（共189,423个文件）
• 压缩大小: 93.2 GB
• 格式: tar.gz，分为10个部分
• 分片: 9 × 10GB + 1 × 3.2GB

下载链接

数据集托管于S3，分为10个归档部分：

• contacts_assembly_json.tar.gz.partaa (10 GB)
• contacts_assembly_json.tar.gz.partab (10 GB)
• contacts_assembly_json.tar.gz.partac (10 GB)
• contacts_assembly_json.tar.gz.partad (10 GB)
• contacts_assembly_json.tar.gz.partae (10 GB)
• contacts_assembly_json.tar.gz.partaf (10 GB)
• contacts_assembly_json.tar.gz.partag (10 GB)
• contacts_assembly_json.tar.gz.partah (10 GB)
• contacts_assembly_json.tar.gz.partai (10 GB)
• contacts_assembly_json.tar.gz.partaj (3.2 GB)
• contacts_assembly_json.tar.gz.sha256 (校验和)

下载与提取

提供自动化脚本 download_and_extract.sh，支持：

• 一键下载、校验和提取所有归档部分。
• 可选 --cleanup 参数：提取后自动删除归档文件（约节省93.2 GB）。

手动下载和提取步骤见 DOWNLOAD_MANUAL.md。

存储需求

• 下载阶段：约93.2 GB 可用空间
• 提取阶段：约211 GB 可用空间
• 提取过程中（未清理归档前）总计：约304 GB 可用空间

数据集结构

提取后，数据位于 contacts_assembly_json 目录下，目录结构如下：

contacts_assembly_json/ ├── 100029_94515530/ │ └── assembly.json ├── 146230_1fb4f765/ │ └── assembly.json ├── ... └── [其他装配目录]/ └── assembly.json

每个目录包含一个 assembly.json 文件，存储该装配的接触接口数据。该目录结构与Fusion 360 Gallery Assembly数据集兼容，可直接覆盖到原始数据集以创建增强数据集。

依赖环境

• Python: 3.12+
• Pytorch: 2.7.0+cu118
• Pytorch Geometric: 2.6.1
• Networkx: 3.3

提供conda环境配置文件 env.yml 或 env_nobuild.yml，可通过以下命令构建： bash conda env create -f env.yml conda activate linkify

数据生成与分类

数据过滤与接触生成:

• 数据过滤命令：python -m data_generation.data_filtering --destination PATH TO YOUR DATASET --getcontacts
• 接触生成命令：python -m scripts.data_generation.contact_generation.generate_contacts_test --source PATH TO DATASET TO BE AUGMENTED --st-source PATH TO SOURCE ASSEMBLIES --augment --workers 4 --num NUMBER OF ASSEMBLIES TO AUGMENT --logs YOUR LOGGING DIR

分类训练:

• 提供多种训练脚本，支持PointMAE嵌入、GAT分类、有无边属性、图增强等方法。
• 支持通过Optuna进行超参数调优。
• 支持评估模式（--eval_only）和可视化Top-K预测结果。

搜集汇总

数据集介绍

构建方式

Fusion 360 Gallery Assembly dataset的构建基于Autodesk Fusion 360平台上的CAD装配体设计数据。原始数据集包含8,251个装配体和154,468个独立零件，但其中零件间的界面信息存在缺失或不准确的问题。为此，研究者采用Open CASCADE Technology (OCCT) B-Rep内核中的几何布尔运算，通过面-体相交计算精确识别组件间的接触区域，并重新计算所有装配体的高保真几何界面。在获得精确的界面体积后，研究者进一步从中采样2,048个点的点云表示，同时利用OCCT的内置几何属性例程计算界面面积和体积，并保留接触面的索引信息。最终，通过过滤保留至少包含4个零件的装配体，得到了6,039个有效装配体，构成了可用于图神经网络训练的接口感知装配图数据集。

使用方法

该数据集主要用于训练和评估接口感知的图神经网络模型，特别是针对机械装配体中的上下文感知零件检索任务。使用方式包括：首先从数据集中选取一个装配图，随机掩码一个目标节点的特征（替换为全零向量），然后训练GATv2图注意力网络，根据周围节点和边的信息预测被掩码零件的几何类别标签。数据集提供了两类预训练点云编码器（PointMAE和DGCNN）生成的节点和边嵌入，支持消融实验研究图连接性、边属性和注意力机制的影响。基准方法包括随机猜测、多数类、k近邻和逻辑回归，评估指标涵盖Top-K准确率和加权F1分数。研究者公开了校正后的界面数据和完整的训练流程代码，便于后续研究复用和扩展。

背景与挑战

背景概述

Fusion 360 Gallery Assembly dataset由Autodesk Research与Iowa State University的研究人员Anushrut Jignasu和Daniele Grandi于2026年创建，旨在填补计算机辅助设计（CAD）领域多组件装配体研究的空白。该数据集基于Fusion 360 Gallery Assembly dataset，包含8,251个装配体和154,468个独立零件，核心研究问题在于如何利用零件间的接口几何信息增强装配图表示，从而支持上下文感知的零件检索任务。通过重新计算高保真接口几何并修正原始数据中的缺失与错误，该数据集为图神经网络（GNN）在装配体理解中的应用奠定了重要基础。其影响力体现在推动了接口感知的装配体检索、验证与生成设计等下游任务的发展，已成为机械设计自动化领域的关键数据资源。

当前挑战

该数据集面临的挑战主要集中在两方面：首先，在领域问题上，现有方法多聚焦于孤立零件或单一装配体，忽视了零件间接口几何所蕴含的丰富功能信息，导致零件检索缺乏上下文感知能力，无法准确理解零件在实际装配环境中的功能角色。其次，在构建过程中，原始Fusion 360数据集提供的接口信息存在大量缺失或错误，如接触区域遗漏或几何不精确，需通过基于Open CASCADE Technology的布尔运算重新计算高保真接口，并处理大规模数据下的并行化计算与采样一致性（如2,048点云采样）。此外，零件几何类别的无监督聚类（500类）与图注意力网络（GATv2）的设计需平衡类别复杂度与检索精度，同时应对预训练点云编码器（PointMAE）与工程CAD几何之间的域差异问题。

常用场景

经典使用场景

在计算机辅助设计与几何深度学习领域，Fusion 360 Gallery Assembly dataset 最为经典的使用场景在于构建接口增强的装配图，以支撑面向上下文的零件检索任务。该数据集通过精确计算零件间的几何接触区域，将局部接口信息嵌入图的边中，节点则编码零件几何特征，从而形成结构化的装配表征。研究者常利用此数据集训练图注意力网络（如GATv2），执行掩码零件预测——即给定一个缺失某零件的装配图，模型需从庞大几何聚类词汇中推断该零件的类别。这一设定有效模拟了真实工程中的设计补全场景，成为评估接口信息对装配理解贡献的基准平台。

解决学术问题

该数据集解决了装配体图学习中接口几何信息长期被忽视的关键学术问题。传统方法多聚焦孤立零件或单体融合装配，忽略了零件接触面蕴含的功能性几何信息。通过提供高保真接触几何数据，该数据集使研究者能够量化接口特征在图神经网络中的贡献，验证了精确接触计算与动态注意力机制对零件预测性能的显著提升。它填补了接口感知装配表征的理论空白，为后续研究装配检索、设计验证与生成式装配设计奠定了基础，推动了从几何相似性到功能上下文理解的范式转变。

实际应用

在实际工程应用中，该数据集支撑的智能零件检索系统能够显著提升大型企业的设计效率。当工程师面对一个不完整的装配体时，模型能基于当前装配上下文主动推荐数据库中已验证的合适零件，避免重复设计，降低供应链复杂性与开发周期。此外，该系统可充当设计验证工具，通过比对历史使用模式检查新选零件的合理性。在制造业中，它还能加速模块化产品配置与维护替换，减少因零件不兼容导致的后期修改成本。

数据集最近研究

最新研究方向

当前，计算机辅助设计领域正经历从孤立零件生成向多组件装配智能化的范式转变。在此背景下，Fusion 360 Gallery Assembly数据集的最新研究聚焦于装配体图中接口几何信息的深度挖掘与表示学习。前沿方向包括通过高保真接口几何重构与点云编码，构建接口增强型装配图，并利用图注意力网络（GATv2）执行上下文感知的缺失零件检索任务。该方法突破了传统仅依赖零件形状相似性或元数据搜索的局限，将零件间的接触几何作为边属性嵌入图结构，从而捕捉功能实现的关键信息。该研究不仅揭示了接口几何在理解零件功能角色中的核心作用，还通过消融实验证实了精准接口计算与动态注意力机制对模型性能的决定性影响。这一工作为装配体验证、生成式设计及设计自动补全等热点应用奠定了数据与算法基础，推动了CAD智能辅助系统从单一零件向复杂装配场景的实质跃迁。

相关研究论文

• Linkify: Learning from Interface-Augmented Assembly Graphs

  爱荷华州立大学; Autodesk Research · 2026年