計算機輔助設計（CAD）在現代社會無處不在，幾乎所有現代物體都使用可編輯的CAD工具設計。然而，由於缺乏以其原生可編輯參數化格式（邊界表示B-Rep）提供的CAD數據集，開發適用於該領域的數據高效方法變得尤為重要。本文提出了一種新的自監督預訓練任務——掩碼拓撲建模（Masked Topology Modeling, MTM），旨在解決這一挑戰。
MTM的核心創新在於利用B-Rep中特有的面鄰接圖結構。該結構可以通過編碼器進行重建。具體而言，MTM隨機掩碼掉一部分邊，並訓練一個小型預測頭，根據編碼器經過消息傳遞後的面特徵來預測每個掩碼邊的凸性和曲線類型。這迫使模型學習B-Rep的拓撲和幾何信息。
為了進一步提升性能，研究者將MTM與MoCo風格的動量隊列對比學習相結合，使用針對B-Rep的數據增強，如隨機旋轉和裁剪。此外，還引入了一種基於廣度優先搜索（BFS）的面區域掩碼重建目標，該目標要求模型重建被掩碼的連通面區域，從而強化對局部幾何結構的理解。
該方法在ABC數據集以及研究者新生成的程序化生成數據集上進行預訓練。ABC數據集包含大量CAD模型，而程序化數據集則通過規則生成多樣化的B-Rep模型。預訓練後，模型在多個下游基準測試中展現了強大的性能，包括分割和分類任務，顯著優於從頭訓練的模型。
這項研究為CAD領域的自監督學習提供了新思路，有望推動更多數據高效方法的發展，尤其是在工業設計等應用場景中。