依据首发论文 arXiv v1；工程数据实验与 MFCAD++ 迁移实验分别呈现。
标注了什么？
人工将 B-Rep 面标为孔或非孔。数据包含 2,202 个零件、6,864 个孔；197,003 个面中有 14,471 个孔面。
Schütte, Heinert & Rottmann · Methods, Tables 1–3 and limitations (arXiv v1)
规则方法与几何学习
GWS 搜索边界闭环；MVR 结合多视图渲染与拓扑。UV-Net、AAGNet 从 B-Rep 几何学习面标签。
Schütte, Heinert & Rottmann · Methods, Tables 1–3 and limitations (arXiv v1)
如何算完整识别一个孔？
相邻预测面聚为候选孔，孔匹配要求表面积加权 IoU ≥ 0.99；面级指标使用不同的评测单位。
Schütte, Heinert & Rottmann · Methods, Tables 1–3 and limitations (arXiv v1)
两种测试要一起看
研究另测了筛选后的 200 个 MFCAD++ 零件。同域分割表现好，并不说明能适应不同 CAD 建模习惯。
Schütte, Heinert & Rottmann · Methods, Tables 1–3 and limitations (arXiv v1)
标注与覆盖边界
数据排除了多实体零件。功能性标注可能遗漏几何上成立的孔，因此找到真实孔洞也可能被计为误报。
Schütte, Heinert & Rottmann · Methods, Tables 1–3 and limitations (arXiv v1)
论文成绩：工程 CAD 数据
以下为论文在自建数据集上报告的原值，孔检测与面分割分别列出。
| 方法 | 孔级召回率 | 孔级精确率 | 孔级 F1 | 面级召回率 | 面级精确率 | 面级 F1 |
|---|---|---|---|---|---|---|
| AAGNet | 0.944 | 0.810 | 0.871 | 0.912 | 0.932 | 0.922 |
| UV-Net | 0.934 | 0.896 | 0.914 | 0.883 | 0.933 | 0.920 |
| GWS | 0.927 | 0.578 | 0.712 | 0.977 | 0.644 | 0.733 |
| MVR | 0.728 | 0.870 | 0.793 | 0.768 | 0.898 | 0.871 |
保留原文 0–1 量纲。第 5.5 节规定孔级面积加权 IoU ≥ 0.99。GWS、MVR 为规则方法，并非训练式神经网络；F1 保留论文报告值，不自行重算。
Schütte, Heinert & Rottmann · Methods, Tables 1–3 and limitations (arXiv v1)
论文成绩：迁移至 MFCAD++
迁移实验使用筛选后的 200 个 MFCAD++ 零件，与上一张表的测试数据不同。
| 方法 | 孔级召回率 | 孔级精确率 | 孔级 F1 | 面级召回率 | 面级精确率 | 面级 F1 |
|---|---|---|---|---|---|---|
| AAGNet | 0.013 | 0.357 | 0.026 | 0.023 | 0.433 | 0.044 |
| UV-Net | 0.468 | 0.933 | 0.623 | 0.381 | 0.957 | 0.545 |
| GWS | 0.889 | 0.805 | 0.845 | 0.983 | 0.768 | 0.871 |
| MVR | 0.617 | 0.987 | 0.760 | 0.577 | 0.987 | 0.729 |
保留原文 0–1 数值，孔级 IoU 阈值为 0.99。成绩对应筛选后的迁移测试集，不能代表完整 MFCAD++ 数据集。
Schütte, Heinert & Rottmann · Methods, Tables 1–3 and limitations (arXiv v1)