计算机辅助设计（CAD）在现代社会无处不在，几乎所有现代物体都使用可编辑的CAD工具设计。然而，由于缺乏以其原生可编辑参数化格式（边界表示B-Rep）提供的CAD数据集，开发适用于该领域的数据高效方法变得尤为重要。本文提出了一种新的自监督预训练任务——掩码拓扑建模（Masked Topology Modeling, MTM），旨在解决这一挑战。
MTM的核心创新在于利用B-Rep中特有的面邻接图结构。该结构可以通过编码器进行重建。具体而言，MTM随机掩码掉一部分边，并训练一个小型预测头，根据编码器经过消息传递后的面特征来预测每个掩码边的凸性和曲线类型。这迫使模型学习B-Rep的拓扑和几何信息。
为了进一步提升性能，研究者将MTM与MoCo风格的动量队列对比学习相结合，使用针对B-Rep的数据增强，如随机旋转和裁剪。此外，还引入了一种基于广度优先搜索（BFS）的面区域掩码重建目标，该目标要求模型重建被掩码的连通面区域，从而强化对局部几何结构的理解。
该方法在ABC数据集以及研究者新生成的程序化生成数据集上进行预训练。ABC数据集包含大量CAD模型，而程序化数据集则通过规则生成多样化的B-Rep模型。预训练后，模型在多个下游基准测试中展现了强大的性能，包括分割和分类任务，显著优于从头训练的模型。
这项研究为CAD领域的自监督学习提供了新思路，有望推动更多数据高效方法的发展，尤其是在工业设计等应用场景中。