renue株式会社（总部：东京都港区，代表：山本悠介）在可从2D图纸自主生成3D模型的Web应用程序「Drawing Agent」中，添加了活用OpenAI图像生成模型「gpt-image-2」的新功能「图纸清理」。该功能可一次性去除辅助线、尺寸标注、剖面线、引线等杂讯，仅提取纯粹的外形轮廓与材质边界线。 运行摘要 本次添加的「图纸清理」功能，是活用OpenAI的图像生成模型「gpt-image-2」，在图纸读取前置阶段去除杂讯元素的新功能。 从输入的图纸中去除辅助线、尺寸标注、剖面线、引线、剖面标签、标题栏，仅提取纯粹的形状。将过去依赖人工修正的流程实现自动化。 在验证中，我们确认即使是包含曲面或复合形状的复杂图纸，也能成功提取形状。我们将陆续将其应用于符号密度高的领域，例如制造业的试作图、建筑业的零件图与设计图等。并计划分阶段部署到现有客户的运行环境中，将实际运用中获得的知识反映在滤镜精度的改善上。 关于renue的图纸SaaS「Drawing Agent」 我们提供只要上传2D图纸图片即可自动生成3D模型的图纸SaaS「Drawing Agent」。 即使没有CAD软件的操作技能，设计者自己也能在几分钟内将2D图纸转化为3D数据。将传统上需要CAD操作员花费数小时的转换作业，变成只需上传文件即可完成的体验。 最近我们还在「Drawing Agent」中添加了零件信息的预先参照功能。 目标领域的前提 在制造业与建筑业的现场，CAD原生的PDF、扫描PDF、纸本图纸、传真图片混杂使用。在源自纸本的图纸中，尺寸线、剖面线、手写注记是降低读取精度的因素。现有的AI-OCR虽然擅长文本提取，但不擅长去除图形图层的杂讯。 在大量使用曲面的产品图纸中，区分辅助线与实线即使对人类来说也是困难的领域。随着熟练工人的退休，图纸读取与估价作业依然高度依赖个人经验。 2026年4月，OpenAI发布了图像生成模型「gpt-image-2」，报告指出在文本绘制、编辑与多语言支持的精度上有所提升。该模型已达到可应用于生成包含尺寸标注在内的工程图的水准。renue因应此进展，重新审视了读图前置处理的架构。 目标 在本次更新中，我们将解决读取前置阶段的杂讯去除精度成为整个产品瓶颈的结构问题。这是一种通过重新检讨模型架构，来突破读取精度瓶颈的方法。通过前置处理的自动化，旨在同时扩大下游引擎的精度与适用范围。提高每位估价人员的处理量，进而缩短报价回复的前置时间。 我们将同步推进支持图纸模式的扩展与减轻客户端图纸准备的负担。将从以CAD原生PDF为中心的运用，过渡到能承受包含纸本、扫描、手写在内的现场输入架构。关于从2D图纸自动生成3DCAD，我们也将通过提高基础输入品质来增加产出物的稳定度。 中长期而言，我们将创建一个能在单一工作流程中处理设计、估价、施工各阶段所使用图纸的环境。旨在降低客户的图纸准备成本，扩大AI代理在实际运用中被使用的场景。我们的方针是在产品端吸收纸本与电子图纸混杂现场的过渡期问题。 课题 辅助线与剖面线成为读取杂讯 图纸上的辅助线、尺寸线、剖面线、引线对人类来说是背景信息，但对图像识别模型来说是与实线同等的输入。虽然也有将剖面图作为正本进行修正的运用方式，但仍会留下人工前置处理的成本。在传统的基于规则的处理中，线型的泛化无效，必须为每个项目重新创建前置处理。 标记法与分辨率的多样性 即使是相同的部件，各企业、各现场的标记法也不同。线型的意义、剖面线的种类、符号的图例并未统一。在通过扫描或传真的图纸中，分辨率会下降，细致的尺寸线或小符号会消失。即使准备了多种模式的训练数据，也很难跟上现场输入的变化。 应对曲面产品与手写注记 大量使用曲面与复合形状的图纸，通过剖面与展开的组合来表达形状。辅助线的数量也很多，是读取难度高的领域。在施工现场，最后一刻的设计变更往往是手写的。