renue在圖紙SaaS「Drawing Agent」中導入基於GPT-image-2的「圖紙清理」功能，精準去除輔助線與尺寸等雜訊，實現高精度圖紙創建

renue株式會社（總部：東京都港區，代表：山本悠介）在可從2D圖紙自主生成3D模型的Web應用程式「Drawing Agent」中，新增了活用OpenAI圖像生成模型「gpt-image-2」的新功能「圖紙清理」。該功能可一次性去除輔助線、尺寸標註、剖面線、引線等雜訊，僅提取純粹的外形輪廓與材質邊界線。

執行摘要

本次新增的「圖紙清理」功能，是活用OpenAI的圖像生成模型「gpt-image-2」，在圖紙讀取前置階段去除雜訊元素的新功能。

從輸入的圖紙中去除輔助線、尺寸標註、剖面線、引線、剖面標籤、標題欄，僅提取純粹的形狀。將過去依賴人工修正的流程實現自動化。

在驗證中，我們確認即使是包含曲面或複合形狀的複雜圖紙，也能成功提取形狀。我們將陸續將其應用於符號密度高的領域，例如製造業的試作圖、建築業的零件圖與設計圖等。並計畫分階段部署到現有客戶的運行環境中，將實際運用中獲得的知識反映在濾鏡精度的改善上。

關於renue的圖紙SaaS「Drawing Agent」

我們提供只要上傳2D圖紙圖片即可自動生成3D模型的圖紙SaaS「Drawing Agent」。

即使沒有CAD軟體的操作技能，設計者自己也能在幾分鐘內將2D圖紙轉化為3D數據。將傳統上需要CAD操作員花費數小時的轉換作業，變成只需上傳檔案即可完成的體驗。

最近我們還在「Drawing Agent」中新增了零件資訊的預先參照功能。

目標領域的前提

在製造業與建築業的現場，CAD原生的PDF、掃描PDF、紙本圖紙、傳真圖片混雜使用。在源自紙本的圖紙中，尺寸線、剖面線、手寫註記是降低讀取精度的因素。現有的AI-OCR雖然擅長文字提取，但不擅長去除圖形圖層的雜訊。

在大量使用曲面的產品圖紙中，區分輔助線與實線即使對人類來說也是困難的領域。隨著熟練工人的退休，圖紙讀取與估價作業依然高度依賴個人經驗。

2026年4月，OpenAI發布了圖像生成模型「gpt-image-2」，報告指出在文字繪製、編輯與多語言支援的精度上有所提升。該模型已達到可應用於生成包含尺寸標註在內的工程圖的水準。renue因應此進展，重新審視了讀圖前置處理的架構。

目標

在本次更新中，我們將解決讀取前置階段的雜訊去除精度成為整個產品瓶頸的結構問題。這是一種透過重新檢討模型架構，來突破讀取精度瓶頸的方法。透過前置處理的自動化，旨在同時擴大下游引擎的精度與適用範圍。提高每位估價人員的處理量，進而縮短報價回覆的前置時間。

我們將同步推進支援圖紙模式的擴展與減輕客戶端圖紙準備的負擔。將從以CAD原生PDF為中心的運用，過渡到能承受包含紙本、掃描、手寫在內的現場輸入架構。關於從2D圖紙自動生成3DCAD，我們也將透過提高基礎輸入品質來增加產出物的穩定度。

中長期而言，我們將建立一個能在單一工作流程中處理設計、估價、施工各階段所使用圖紙的環境。旨在降低客戶的圖紙準備成本，擴大AI代理在實際運用中被使用的場景。我們的方針是在產品端吸收紙本與電子圖紙混雜現場的過渡期問題。

課題

輔助線與剖面線成為讀取雜訊

圖紙上的輔助線、尺寸線、剖面線、引線對人類來說是背景資訊，但對圖像識別模型來說是與實線同等的輸入。雖然也有將剖面圖作為正本進行修正的運用方式，但仍會留下人工前置處理的成本。在傳統的基於規則的處理中，線型的泛化無效，必須為每個專案重新建立前置處理。

標記法與解析度的多樣性

即使是相同的部件，各企業、各現場的標記法也不同。線型的意義、剖面線的種類、符號的圖例並未統一。在透過掃描或傳真的圖紙中，解析度會下降，細緻的尺寸線或小符號會消失。即使準備了多種模式的訓練數據，也很難跟上現場輸入的變化。

應對曲面產品與手寫註記

大量使用曲面與複合形狀的圖紙，透過剖面與展開的組合來表達形狀。輔助線的數量也很多，是讀取難度高的領域。在施工現場，最後一刻的設計變更往往是手寫的。