CVPR 2026的3DGS卷到什么地步？工程语义上探：BrepGaussian如何打通图像到CAD的最后一公里？（Part III 1-3）

Part III 1-3

[Part III：BrepGaussian、拓扑组合、工业评估与失败模式](#Part III：BrepGaussian、拓扑组合、工业评估与失败模式)
- [1. B-rep 是什么](#1. B-rep 是什么)
- - [1.1 B-rep 的基本对象](#1.1 B-rep 的基本对象)
  - [1.2 几何层与拓扑层](#1.2 几何层与拓扑层)
  - [1.3 Cell Complex / CW complex / Hasse graph](#1.3 Cell Complex / CW complex / Hasse graph)
  - [1.4 B-rep 合法性的数学要求](#1.4 B-rep 合法性的数学要求)
  - 小结
- [2. BrepGaussian：深度拆解](#2. BrepGaussian：深度拆解)
- - [2.1 任务定义](#2.1 任务定义)
  - [2.2 整体架构](#2.2 整体架构)
  - [2.3 two-stage learning 的必要性](#2.3 two-stage learning 的必要性)
  - [2.4 几何处理链路](#2.4 几何处理链路)
  - [2.5 拓扑难点：geometry + combinatorics 的双重问题](#2.5 拓扑难点：geometry + combinatorics 的双重问题)
  - [2.6 与 Point2CAD 的本质差异](#2.6 与 Point2CAD 的本质差异)
  - [2.7 离工业可用还有多远](#2.7 离工业可用还有多远)
  - 小结
- [3. 数学与算法深挖专题：拓扑、曲面相交、误差传播](#3. 数学与算法深挖专题：拓扑、曲面相交、误差传播)
- - [3.1 参数曲面与工程曲面](#3.1 参数曲面与工程曲面)
  - [3.2 曲面相交与边生成](#3.2 曲面相交与边生成)
  - [3.3 trimming 与 parameter domain consistency](#3.3 trimming 与 parameter domain consistency)
  - [3.4 误差传播链条](#3.4 误差传播链条)
  - [3.5 链式误差的工程后果](#3.5 链式误差的工程后果)
  - 小结

系列文章全文导航 Part I-III

Part III：BrepGaussian、拓扑组合、工业评估与失败模式

1. B-rep 是什么

1.1 B-rep 的基本对象

回顾一下：B-rep 的对象不是"多边形片元"，而是带解析几何语义的结构化边界对象 ，是几何边界 + 组合拓扑共同定义的实体。在工程 CAD 内核中，B-rep 由两层同时构成：

几何层（geometry）：曲线、曲面、参数域
拓扑层（topology）：点、边、面及其邻接、关联、方向、闭合关系

形式上，可将一个 B-rep 实体写为：

B = ( V , E , F , I , A , T ) . (1) \mathcal{B}=(V,E,F,\mathcal{I},\mathcal{A},\mathcal{T}). \tag{1} B=(V,E,F,I,A,T).(1)

其中：

V V V：顶点集合（vertices / corners）
E E E：边集合（edges）
F F F：面集合（faces）
I \mathcal{I} I：incidence relations，关联关系
A \mathcal{A} A：adjacency relations，邻接关系
T \mathcal{T} T：trimming 信息

工程几何角度上，B-rep 至少包含以下基本对象：

face：被裁剪后的参数曲面区域
edge：定义在曲面边界上的参数曲线或交线片段
vertex / corner：边的端点、多个边或多个面的交汇点
trimming loop：在参数域内闭合的裁剪边界
adjacency / incidence graph：描述 face-edge-vertex 之间的连接结构

1.2 几何层与拓扑层

一个 B-rep face 不是"整张无限延展的曲面"，而是参数曲面在参数域中被 trimming loop 裁剪后的有效区域。

对每个面 F i F_i Fi，更精确的表达应为：

F i = ( S i , { γ i , k } k = 1 m i ) , (2) F_i=\left(S_i,\{\gamma_{i,k}\}_{k=1}^{m_i}\right), \tag{2} Fi=(Si,{γi,k}k=1mi),(2)

其中：

S i ( u , v ) S_i(u,v) Si(u,v)：底层参数曲面
γ i , k \gamma_{i,k} γi,k：定义在参数域上的第 k k k 条 trimming loop

因此，几何层与拓扑层的职责必须严格区分。

几何层负责

曲面 S ( u , v ) S(u,v) S(u,v) 的解析定义
曲线 c ( t ) c(t) c(t) 的解析定义
参数域 Ω \Omega Ω
曲面局部法向、曲率、参数连续性

拓扑层负责

哪些 edge 属于哪个 face 的边界
哪些 faces 共享一条 edge
哪些 edges 在某个 vertex 相交
边界环是否闭合
orientation 是否一致
整体是否形成 manifold / watertight shell

几何正确不等于拓扑正确。即便某些曲面和曲线在 3D 空间中位置合理，若其关联关系、闭环关系、方向一致性不成立，仍然不能构成合法 B-rep。

1.3 Cell Complex / CW complex / Hasse graph

从更统一的数学视角，B-rep 可以理解为嵌入到 R 3 \mathbb{R}^3 R3 中的一个几何 cell complex。其最核心的边界层包括：

0-cell：vertex
1-cell：edge
2-cell：face

记 cell 集合为：

C = C 0 ∪ C 1 ∪ C 2 , (3) \mathcal{C}=\mathcal{C}_0 \cup \mathcal{C}_1 \cup \mathcal{C}_2, \tag{3} C=C0∪C1∪C2,(3)

其中：

C 0 \mathcal{C}_0 C0：0-cells
C 1 \mathcal{C}_1 C1：1-cells
C 2 \mathcal{C}_2 C2：2-cells

若用偏序关系 ≺ \prec ≺ 表示"某个低维 cell 是高维 cell 的边界组成部分"，则可以定义 Hasse graph：

H = ( C , ≺ ) . (4) \mathcal{H}=(\mathcal{C},\prec). \tag{4} H=(C,≺).(4)

Hasse graph 的作用，是显式编码不同阶 cell 之间的 incidence 关系，例如：

vertex 是否属于某条 edge
edge 是否属于某个 face 的边界
某个 face 是否通过若干 edges 形成闭环

这种视角对 B-rep 学习与生成至关重要，原因在于：

B-rep 本质上不是纯几何拟合问题，而是 geometry + combinatorics 联合问题。
若没有 cell-level 结构，便无法表达 face-edge-vertex 的边界链条。
若没有 Hasse graph 或 incidence graph，便无法对 topology correctness 建模。

1.4 B-rep 合法性的数学要求

一个"看起来像"的 patch / curve 集合，距离一个"合法可消费"的 B-rep，还差一整套 legality constraints。

首先，常见的全局拓扑检查包括 Euler 风格指标：

χ = ∣ V ∣ − ∣ E ∣ + ∣ F ∣ . (5) \chi = |V|-|E|+|F|. \tag{5} χ=∣V∣−∣E∣+∣F∣.(5)

当然，Euler characteristic 只是辅助信号，不是充分条件。一个合法 B-rep 至少还必须满足：

（1）watertight / manifold / orientation consistency

内部共享边应恰有两个 incident faces，边界边应恰有一个 incident face，且方向一致：

∀ e ∈ E int , # I n c F a c e s ( e ) = 2. (6) \forall e\in E_{\text{int}},\quad \#\mathrm{IncFaces}(e)=2. \tag{6} ∀e∈Eint,#IncFaces(e)=2.(6)

（2）trimming curves must lie on surfaces

裁剪边界曲线既要在 3D 空间中成立，也要在对应曲面的参数域内成立。设某条 trim curve 为 γ i , k ( t ) \gamma_{i,k}(t) γi,k(t)，则需满足：

γ i , k ( 0 ) = γ i , k ( 1 ) , (7) \gamma_{i,k}(0)=\gamma_{i,k}(1), \tag{7} γi,k(0)=γi,k(1),(7)

并且其映射到三维空间后必须落在曲面边界上：

S i ( γ i , k ( t ) ) ∈ ∂ F i . (8) S_i(\gamma_{i,k}(t)) \in \partial F_i. \tag{8} Si(γi,k(t))∈∂Fi.(8)

（3）loops must close

每个 wire / trimming loop 必须闭合，不能出现 gap、悬挂边、断裂边界。

（4）shared edge consistency

若两个 faces 共享一条边，则该边在两个 face 上的参数表示、方向、3D 位置都应一致。

（5）vertex-edge-face incidence consistency

每个顶点、边、面的关联关系必须互相兼容，不能出现 edge 端点不属于该 edge、face 边界不经过其声明的 vertex 等情况。

（6）parameter domain consistency

一条边界曲线不仅要在 3D 中对，还必须在曲面参数域中有一致前像；这也是 trimmed surfaces 难于普通曲面片拼接的根源之一。

OpenCascade 的 Shape Healing / ShapeFix 文档明确给出了多种不合法面片与修复场景，例如：

wire 在 3D 中闭合，但在参数域中存在 gap
edge orientation 错误
loop wire 自交
缺失 seam edge
null-area wire / small-area wire 导致无效边界

小结

B-rep 不是"几何拟合结果的包装格式"，而是"参数几何 + 裁剪边界 + 组合拓扑 + 合法性约束"的联合对象。

只有曲面拟合，没有 trim / topology / legality，不是 B-rep
只有边界检测，没有参数域一致性，不是 B-rep
只有局部结构正确，没有整体 incidence consistency，也不是 B-rep

这也是后文分析 BrepGaussian 时的前提：它真正挑战的，不是"从图像里多拟合几个 primitive"，而是如何把几何元装配成合法 B-rep。

2. BrepGaussian：深度拆解

2.1 任务定义

BrepGaussian 的核心任务，是从多视图图像直接恢复参数化 B-rep 。其论文明确声称，它是在不依赖 point cloud supervision的条件下，从 multi-view images 直接重建 complete B-rep CAD models 的首个框架之一。其主链路可以概括为：

multi-view images → feature-aware Gaussian intermediate layer → labeled point clouds → curve / surface fitting → B-rep assembly . (9) \text{multi-view images} \rightarrow \text{feature-aware Gaussian intermediate layer} \rightarrow \text{labeled point clouds} \rightarrow \text{curve / surface fitting} \rightarrow \text{B-rep assembly}. \tag{9} multi-view images→feature-aware Gaussian intermediate layer→labeled point clouds→curve / surface fitting→B-rep assembly.(9)

为什么这比 point cloud → \rightarrow → CAD 更难？因为它不只是把"点云逆向"换成"图像逆向"，而是把原本点云已经提供的 3D 几何采样，也前移到了图像域中。也就是说，BrepGaussian 必须同时解决：

从多视图图像中恢复可稳定对齐的中间几何表示；
从该中间表示中恢复 patch / edge / corner 的结构线索；
将这些几何元进一步装配为合法 B-rep。

因此，它真正对应的是"图像到 CAD 的最后一公里"问题。

2.2 整体架构

根据论文公开描述，BrepGaussian 的整体结构大体可拆为四段。

第一段：多视图语义预处理

使用图像处理模型从输入多视图图像中提取：

2D edge masks
2D patch masks

这些结果为后续 feature-aware Gaussian 学习提供监督或初始化信息。

第二段：feature splats 学习

在 Gaussian Splatting 框架中，为 surface-aligned Gaussian primitives 赋予可学习特征，使其不仅承载 radiance / visibility 信息，还承载：

geometry-level information
edge-level information
patch-level information

第三段：从 Gaussian 到带标签点云

从 learned Gaussian disks 中采样点，并将其转化为带 patch / edge 标签的点云表示，用于后续参数几何拟合。

第四段：参数曲面与 B-rep 装配

在带标签点云基础上执行：

primitive fitting
patch coherence establishment
edge extraction
corner inference
trimming / clipping
topology assembly
topological adjustment

最后输出 clean and watertight B-rep。

2.3 two-stage learning 的必要性

BrepGaussian 之所以采用 two-stage learning，不是为了"训练技巧更复杂"，而是因为geometry / edge 与 patch coherence 的学习压力本来就不同。

根据论文描述：

第一阶段

重点学习：

geometry
edge features

原因在于，几何与边缘是更基础、更局部的结构信号。若一开始就同时强求 patch-level coherent instance labels，容易在 early stage 被 noisy segmentation、纹理差异、遮挡影响干扰。

第二阶段

冻结第一阶段得到的 geometry / edge features，进一步进行：

patch-level feature aggregation
contrastive learning
coherent patch instance labeling

这一阶段的目标，不是再去重建最基础的局部 geometry，而是让更高层的 patch 语义在 feature space 中更稳定地聚合。

因此，两阶段设计背后的本质逻辑可以写成：

Θ ( 1 ) = arg ⁡ min ⁡ L geom + λ e L edge , (10) \Theta^{(1)} = \arg\min \mathcal{L}{\text{geom}} + \lambda_e \mathcal{L}{\text{edge}}, \tag{10} Θ(1)=argminLgeom+λeLedge,(10)

Θ ( 2 ) = arg ⁡ min ⁡ L patch + λ c L contrast , s.t. Θ geom/edge frozen . (11) \Theta^{(2)} = \arg\min \mathcal{L}{\text{patch}} + \lambda_c \mathcal{L}{\text{contrast}}, \quad \text{s.t. } \Theta_{\text{geom/edge}} \text{ frozen}. \tag{11} Θ(2)=argminLpatch+λcLcontrast,s.t. Θgeom/edge frozen.(11)

这里：

Θ ( 1 ) \Theta^{(1)} Θ(1)：第一阶段参数
Θ ( 2 ) \Theta^{(2)} Θ(2)：第二阶段 patch-level 学习参数
L geom \mathcal{L}_{\text{geom}} Lgeom：几何一致性损失
L edge \mathcal{L}_{\text{edge}} Ledge：边缘监督损失
L patch \mathcal{L}_{\text{patch}} Lpatch：patch coherence / instance 分类相关损失
L contrast \mathcal{L}_{\text{contrast}} Lcontrast：对比学习约束

这个 two-stage 设计的意义在于：B-rep 恢复不能把所有语义层级混成一个一次性黑箱目标。

2.4 几何处理链路

BrepGaussian 后半段的几何处理链路，其实非常接近经典 reverse engineering，只是其输入不再是 raw point cloud，而是由 Gaussian 中间层导出的结构化点集。

可抽象为：

{ P ^ k } k = 1 K → { S ^ i } i = 1 m → { e ^ i j } → { v ^ ℓ } → B ^ . (12) \{\hat P_k\}{k=1}^{K} \rightarrow \{\hat S_i\}{i=1}^{m} \rightarrow \{\hat e_{ij}\} \rightarrow \{\hat v_\ell\} \rightarrow \hat{\mathcal B}. \tag{12} {P^k}k=1K→{S^i}i=1m→{e^ij}→{v^ℓ}→B^.(12)

其中：

P ^ k \hat P_k P^k：带 patch / edge 标签的点子集
S ^ i \hat S_i S^i：拟合出的参数曲面 primitive
e ^ i j \hat e_{ij} e^ij：由曲面相交得到的边
v ^ ℓ \hat v_\ell v^ℓ：由边交或面交推断得到的角点
B ^ \hat{\mathcal B} B^：最终装配的 B-rep

具体步骤包括

（1）patch grouping

根据 patch labels 将点云划分为多个 surface candidates。

（2）primitive fitting

对每个 patch 拟合解析曲面。根据论文当前公开设定，主要是：

plane
cylinder
sphere

（3）patch coherence establishment

在 patch 层面建立一致性，避免过碎的 patch 或语义混乱的 surface instances。

（4）edge extraction

对 primitive pairs 求交，得到 line / curve candidates；再结合 edge point cloud 约束其有效参数范围。

（5）corner inference

从多平面交、两直线交或曲线端点聚类中推断 corner candidates。

（6）topology assembly

根据 face-edge-vertex 关系组装初始拓扑结构。

（7）trimming / clipping / adjacency reconstruction

对无限延展的 primitive surfaces 进行裁剪，并恢复共享边、邻接面和有效边界环。

（8）topological adjustment

通过约束修正、布尔操作、局部修补等方式，使结果尽可能 clean and watertight。

2.5 拓扑难点：geometry + combinatorics 的双重问题

BrepGaussian 真正困难的地方，不在"曲面拟合"，而在如何让几何对象之间的组合关系也同时成立。

必须明确以下不等价关系：

patch 拟合正确 ≠ \neq = topology 正确
edge 检出正确 ≠ \neq = trimming 合法
corner 看起来合理 ≠ \neq = incidence graph 一致
各个 primitive 局部都对 ≠ \neq = 最终 B-rep 合法

换句话说，B-rep 装配不是单纯的几何拟合问题，而是一个 geometry + combinatorics 的联合优化问题。

这一点可以形式化为：

B ^ = arg ⁡ min ⁡ B L geom + λ s L struct + λ t L topo + λ v L valid . (13) \hat{\mathcal B}= \arg\min_{\mathcal B} \mathcal{L}{\text{geom}} + \lambda_s \mathcal{L}{\text{struct}} + \lambda_t \mathcal{L}{\text{topo}} + \lambda_v \mathcal{L}{\text{valid}}. \tag{13} B^=argBminLgeom+λsLstruct+λtLtopo+λvLvalid.(13)

其中：

L geom \mathcal{L}_{\text{geom}} Lgeom：曲面、曲线、交线位置误差
L struct \mathcal{L}_{\text{struct}} Lstruct：patch coherence、edge continuity、corner consistency
L topo \mathcal{L}_{\text{topo}} Ltopo：adjacency / incidence / loop consistency
L valid \mathcal{L}_{\text{valid}} Lvalid：watertightness、orientation、parameter-domain legality

这就是为什么 BrepGaussian 不应被轻描淡写理解为"GS + CAD 后处理"。迈不过的难点还是那个：几何和拓扑必须同时闭合。

2.6 与 Point2CAD 的本质差异

Point2CAD 的链路可以概括为：

point cloud → surface clusters → fitted surfaces → edges → corners → B-rep . (14) \text{point cloud} \rightarrow \text{surface clusters} \rightarrow \text{fitted surfaces} \rightarrow \text{edges} \rightarrow \text{corners} \rightarrow \text{B-rep}. \tag{14} point cloud→surface clusters→fitted surfaces→edges→corners→B-rep.(14)

而 BrepGaussian 的链路是：

images → Gaussian intermediate layer → labeled points → structured fitting / assembly → B-rep . (15) \text{images} \rightarrow \text{Gaussian intermediate layer} \rightarrow \text{labeled points} \rightarrow \text{structured fitting / assembly} \rightarrow \text{B-rep}. \tag{15} images→Gaussian intermediate layer→labeled points→structured fitting / assembly→B-rep.(15)

更低输入门槛：BrepGaussian 直接从图像出发，不要求高质量 3D 点云扫描。
更强图像证据利用：edge / patch 信号在多视图渲染闭环中被学习，而不是完全依赖后端几何分割。
更高歧义与几何不稳定性：因为它少了一层原生 3D 点采样约束，前端图像歧义、纹理缺失、遮挡、视角不足都会直接影响后续拓扑链条。

2.7 离工业可用还有多远

这里必须保持保守判断。根据当前公开信息，BrepGaussian 距离工业可用仍有明显距离，至少表现在以下方面：

自由曲面精度不足：当前公开拟合的 primitive 仍主要集中在 plane / cylinder / sphere，尚未覆盖高精度自由曲面与复杂 trimmed NURBS。
复杂裁剪拓扑尚不充分：面对多重 loop、嵌套孔洞、复杂参数域裁剪时，公开结果还不足以证明其稳健性。
多零件装配问题未被系统验证：现实工业对象常包含多零件、多层级配合与跨零件接触关系，当前公开实验多聚焦单体对象。
尺度精度与测量可信度未知：对于工程系统，毫米级甚至更严的公差是关键；而 image-to-B-rep 链路中的尺度稳定性尚未被充分证明。
真实场景鲁棒性有限：对于以下情况，当前公开实验并不足以支持高信心外推：
- 高光 / 反光
- 遮挡
- 弱纹理
- 稀疏视角
- 视角基线不足
patch over-segmentation / under-segmentation：这会直接破坏后端 primitive fitting 与 topology assembly。
topology legality verification 仍不充分：即使生成了"看起来闭合"的结果，也不等于能稳定通过 CAD kernel 的合法性检查。
与现有 CAD kernel 的兼容性尚待验证：真实工业交付要求与 STEP、Parasolid、OpenCascade 等系统对接，而这不仅要求 geometry 对，还要求 topology / tolerance / trimming / orientation 都符合内核约束。

小结

它第一次在研究上证明：图像 → \rightarrow → 高斯中间层 → \rightarrow → 参数化几何元 → \rightarrow → B-rep 装配，这条路线开始具备可行性。

但必须同时承认：

它还没有解决高精度自由曲面主线问题
它还没有证明复杂工业拓扑的稳定恢复
它还没有达到可规模化工业交付的成熟度

因此，对企业技术团队而言，BrepGaussian 更适合作为高端前沿布局方向，而不是近期可直接替换现有 CAD 逆向链路的现成方案。

3. 数学与算法深挖专题：拓扑、曲面相交、误差传播

3.1 参数曲面与工程曲面

回顾一下，在工程几何中，曲面至少可分为三类表示。

（1）显式曲面

例如：

z = f ( x , y ) . (16) z=f(x,y). \tag{16} z=f(x,y).(16)

优点是表达直接，但对垂直切面、多值表面、闭合体边界支持较弱。

（2）隐式曲面

例如：

f ( x , y , z ) = 0. (17) f(x,y,z)=0. \tag{17} f(x,y,z)=0.(17)

隐式曲面适合表达闭合边界、布尔运算、全局法向，但要恢复参数域与 trimming 往往并不直接。

（3）参数曲面

例如：

S ( u , v ) = ( x ( u , v ) , y ( u , v ) , z ( u , v ) ) . (18) S(u,v)=(x(u,v),y(u,v),z(u,v)). \tag{18} S(u,v)=(x(u,v),y(u,v),z(u,v)).(18)

参数曲面是 B-rep 的核心几何对象，因为它不仅定义三维位置，还显式提供参数域 Ω \Omega Ω，从而允许 trimming curve 在参数空间中定义。

工程中常见的曲面又可进一步分为：

primitive surfaces：plane、cylinder、sphere、cone、torus
freeform surfaces：Bezier、B-spline、NURBS 等

primitive surfaces 的优势在于：

参数量少
拟合稳定
解析相交更容易
工程解释明确

freeform surfaces 的优势在于表达能力强，但带来的难度包括：

参数域分配
控制网格估计
节点向量选择
trimming 边界恢复
曲面相交求解

因此，BrepGaussian 当前聚焦 canonical primitives 并不是偶然，而是因为这是 image-to-B-rep 路线上当前最可控的技术切入点。

3.2 曲面相交与边生成

对两个曲面 S i S_i Si 与 S j S_j Sj，理想情况下，共享边可定义为：

e i j ( t ) = S i ( u i ( t ) , v i ( t ) ) = S j ( u j ( t ) , v j ( t ) ) . (19) e_{ij}(t)=S_i(u_i(t),v_i(t))=S_j(u_j(t),v_j(t)). \tag{19} eij(t)=Si(ui(t),vi(t))=Sj(uj(t),vj(t)).(19)

这意味着一条合法边必须同时满足：

在三维空间中位于两个曲面上；
在两个曲面的参数域中分别有一致前像；
在边界范围上具有明确有效区间。

在解析几何层面，这可抽象为求解：

S i ( u , v ) − S j ( ξ , η ) = 0. (20) S_i(u,v)-S_j(\xi,\eta)=0. \tag{20} Si(u,v)−Sj(ξ,η)=0.(20)

这是一个高维非线性系统，数值上通常非常困难。尤其在以下情况下更不稳定：

曲面几乎相切
曲面法向接近平行
patch overlap / underlap
数据有噪声
曲面拟合本身已有偏差

因此，现实系统常不会直接做"完美解析交线"，而会采用：

primitive-specific analytic intersection
sampling + optimization
mesh-based approximation
interval clipping + robust fitting

Point2CAD 之所以将 freeform surfaces 转换为 triangle meshes 再求交，恰恰说明：曲面相交本身就是 CAD reconstruction 中的高难度数值环节。

3.3 trimming 与 parameter domain consistency

对一个参数曲面 S i ( u , v ) S_i(u,v) Si(u,v)，其有效面片不是整张曲面，而是参数域 Ω i \Omega_i Ωi 中被 trimming loop 限定的子区域。

设 trimming loop 为：

γ i : [ 0 , 1 ] → Ω i , γ i ( 0 ) = γ i ( 1 ) , (21) \gamma_i:[0,1]\rightarrow \Omega_i, \qquad \gamma_i(0)=\gamma_i(1), \tag{21} γi:[0,1]→Ωi,γi(0)=γi(1),(21)

则其三维边界映射为：

Γ i ( t ) = S i ( γ i ( t ) ) . (22) \Gamma_i(t)=S_i(\gamma_i(t)). \tag{22} Γi(t)=Si(γi(t)).(22)

这里有一个关键的工程要求：边界曲线既要在三维空间中一致，也要在曲面参数域中一致。

意味着若两个 faces 共享同一条边，则不仅需要：

Γ i ( t ) = Γ j ( t ) , (23) \Gamma_i(t)=\Gamma_j(t), \tag{23} Γi(t)=Γj(t),(23)

还需要它们在各自参数域中的前像都合法、闭合、方向兼容、无 gap。这就是为什么 trimmed NURBS 比普通 patch 拼接难得多：

普通 patch 拼接只关心几何连接
trimmed surfaces 还必须维护参数域边界语义
共享边往往要同时服务于两个曲面的参数化表达
一旦 parameter domain consistency 破坏，CAD kernel 很可能判定面无效

OpenCascade 的修复文档中，wire 在 3D 中闭合、但在参数空间存在 gap 的情况，就是典型实例。

3.4 误差传播链条

图像到 B-rep 的误差传播，可以抽象写成：

δ I → δ G → δ S → δ e → δ v → δ T → δ B . (24) \delta I \rightarrow \delta G \rightarrow \delta S \rightarrow \delta e \rightarrow \delta v \rightarrow \delta \mathcal{T} \rightarrow \delta \mathcal{B}. \tag{24} δI→δG→δS→δe→δv→δT→δB.(24)

其中：

δ I \delta I δI：图像噪声、分割误差、遮挡、反光等观测误差
δ G \delta G δG：Gaussian 位置、协方差、特征标签误差
δ S \delta S δS：局部曲面拟合误差
δ e \delta e δe：曲面相交得到的边误差
δ v \delta v δv：角点推断误差
δ T \delta \mathcal{T} δT：trimming / adjacency / incidence 偏差
δ B \delta \mathcal{B} δB：最终 B-rep 拓扑与合法性偏差

若做一个保守的链式放大抽象，可写为：

∥ δ B ∥ ≤ L T L V L E L S L G ∥ δ I ∥ , (25) \|\delta \mathcal{B}\| \le L_T L_V L_E L_S L_G \|\delta I\|, \tag{25} ∥δB∥≤LTLVLELSLG∥δI∥,(25)

其中：

L G L_G LG：图像到 Gaussian 的敏感度
L S L_S LS：Gaussian 到 surface fitting 的敏感度
L E L_E LE：surface 到 edge intersection 的敏感度
L V L_V LV：edge 到 vertex inference 的敏感度
L T L_T LT：vertex / trim 到 topology validity 的敏感度

这个表达虽然是理论抽象，但本质在于：B-rep 恢复是链式误差放大系统，而不是平坦的单阶段回归问题。

3.5 链式误差的工程后果

对企业系统来说，image-to-B-rep 最大的风险不是"效果差一点"，而是直接：结果在工程链路中根本不可消费。

小结

本节可以归结为三个判断：

边不是检测出来的轮廓线而已，它本质上是曲面关系的结果。
trim 不是后处理修边，而是参数域与三维域的双重一致性问题。
B-rep 恢复中的误差不是局部独立噪声，而是沿几何---拓扑链条级联传播。

这也是为什么 BrepGaussian 的难点不在"能不能拟合几个 primitives"，而在于：如何让图像域中的不确定性，经过 Gaussian 中间层与几何拟合后，仍然能被约束在合法 B-rep 的容忍范围内。

参考资料：