VoxelDiffusionCut: Non-destructive Internal-part Extraction via Iterative Cutting and Structure Estimation

본 논문은 고차원 3D 형상 표현의 학습 난이도와 기존 모델의 모드 붕괴 문제를 해결하기 위해, 확산 모델을 활용해 절단면을 기반으로 내부 구조를 확률적으로 추정하고 이를 통해 배터리나 모터와 같은 내부 부품을 비파괴적으로 추출하는 'VoxelDiffusionCut' 방법을 제안합니다.

핵심

📦 1. 문제 상황: "속을 알 수 없는 보물상자"

상상해 보세요. 여러분 앞에 낡은 전자제품 (예: 진공청소기) 이 있습니다. 이 제품 안에는 배터리라는 귀한 보물이 숨겨져 있습니다. 하지만 문제는 다음과 같습니다.

• 상자 겉모양은 같아도 속은 다릅니다: 같은 제품이라도 생산 연도나 사양에 따라 배터리가 어디에 있는지, 어떤 모양으로 들어있는지 알 수 없습니다.
• 拆开 (분해) 는 불가능: 접착제로 붙어있거나 녹이 슬어 있어, 나사를 풀고 하나씩 뜯어내는 전통적인 분해 방식은 불가능합니다.
• 자르기는 위험: 무작위로 칼로 잘라내면, 중요한 배터리를 실수로 잘라버려서 폭발하거나 고장 날 수 있습니다.

**결국, "어디를 잘라야 배터리를 건드리지 않고 나머지 쓰레기만 버릴 수 있을까?"**라는 난제를 해결해야 합니다.

---

🧊 2. 해결책: "VoxelDiffusionCut (볼록디퓨전컷)"

이 논문이 제안한 방법은 **"자르면서 속을 추측하고, 다시 자르는 반복 과정"**입니다. 이를 스무고개 게임에 비유해 볼까요?

🎲 1 단계: 첫 번째 컷 (추측 시작)

로봇이 제품을 처음 자릅니다. 이때는 배터리 위치를 모르니, 아주 안전한 곳 (배터리가 있을 확률이 낮은 곳) 을 살짝 잘라봅니다.

🔍 2 단계: 속을 들여다보기 (단서 확보)

잘린 면 (단면) 을 봅니다. 마치 과자 한 조각을 잘라봤을 때 안에 초콜릿이 들어있는지 확인하는 것처럼요. "아, 여기는 플라스틱이네? 그럼 배터리는 저쪽에 있겠구나?"라고 단서를 얻습니다.

🧠 3 단계: AI 의 상상력 (확률로 속을 그리다)

이제 핵심입니다. 로봇은 **AI(인공지능)**를 이용해 잘린 단면을 바탕으로 제품의 전체 내부 구조를 상상합니다.

• 기존 방식의 문제: 기존 AI 는 "배터리는 반드시 여기 있다"라고 너무 확신하며 한 가지 모습만 그리는 경우가 많습니다. (실수하면 배터리를 잘라버림)
• 이 방법의 특징 (확산 모델): 이 AI 는 **"배터리는 A 위치에 있을 수도 있고, B 위치에 있을 수도 있어. 하지만 C 위치일 가능성은 99% 없어!"**라고 여러 가지 가능성과 그 불확실성을 동시에 그려냅니다.
  • 마치 수많은 미래 시나리오를 한 번에 그려보는 것과 같습니다. "여기 잘라봤을 때 배터리가 나올 확률이 0% 라면 안심하고 잘라!"라고 판단합니다.

🔪 4 단계: 다음 컷 계획 (안전한 경로 찾기)

AI 가 그려낸 '불확실성 지도'를 봅니다.

• 배터리가 있을 확률이 높은 곳 (붉은색): 절대 자르지 않음.
• 배터리가 없을 확률이 높은 곳 (푸른색): 과감하게 잘라냄.
• 어디에 있을지 모르는 곳 (회색): 조심스럽게 접근하거나 더 많은 정보를 얻기 위해 다른 각도로 자름.

이 과정을 자르고, 보고, 상상하고, 다시 자르는 과정을 반복하다가, 결국 배터리만 통째로 남고 나머지는 모두 제거되는 상황을 만들어냅니다.

---

🌟 3. 왜 이 기술이 특별한가요?

1. 실수하지 않는 '안전장치':
   AI 가 "여기 배터리가 있을지도 몰라"라고 의심하는 곳에는 칼을 대지 않습니다. 마치 미세한 지진 예보가 있을 때는 건물을 짓지 않는 것처럼, 불확실한 곳에서는 보수적으로 행동합니다.

2. 복잡한 모양도 가능:
   제품 모양이 아무리 복잡해도, AI 는 잘린 면을 보고 내부 구조를 3D 입체 (보라색 큐브 덩어리) 로 재구성해냅니다.

3. 실제 재활용 현장에 적용 가능:
   배터리나 모터 같은 귀중품을 다치지 않게 꺼내면, 재사용이 가능해져 자원 낭비를 막고 환경에도 좋습니다.

---

💡 요약

이 논문은 **"알 수 없는 보물상자 (폐기물) 를 자르면서, AI 가 내부의 보물 (배터리) 위치를 여러 가지 가능성으로 상상해내고, 보물이 다치지 않는 안전한 길만 찾아내어 조각조각 잘라내는 기술"**을 개발했습니다.

이는 마치 눈을 감고 과자를 먹으면서, "이쪽엔 초콜릿이 없으니 안심하고 씹어도 돼!"라고 스스로 판단하는 매우 똑똑한 로봇의 능력을 보여줍니다.

기술 요약

1. 문제 정의 (Problem Definition)

• 배경: 재활용 및 폐기물 처리 현장에서는 배터리, 모터, 전자 부품과 같은 내부 핵심 부품을 손상 없이 추출하는 것이 안전과 자원 회수를 위해 필수적입니다.
• 도전 과제:
  • 대부분의 제품에는 분해 정보가 공개되지 않으며 (지식재산권 문제), 접착제나 노후화로 인해 기존 분해 방식이 불가능한 경우가 많습니다.
  • 외부 형태는 동일하더라도 내부 구조 (부품 배치) 가 생산 연도나 사양에 따라 다를 수 있어, 내부 구조를 알지 못한 채 절단 위치를 결정하는 것이 매우 어렵습니다.
  • 기존 X-ray 방식은 두꺼운 제품 (예: 진공청소기) 에서는 투과력이 부족하여 내부 구조를 명확히 파악하기 어렵습니다.
• 목표: 절단 과정에서 관찰된 절단면 (Cutting Surface) 정보를 기반으로 내부 구조를 추정하고, 이를 통해 목표 부품을 손상시키지 않으면서 불필요한 부분을 제거하는 비파괴적 추출 (Non-destructive Extraction) 방법론을 개발하는 것입니다.

2. 제안 방법론: VoxelDiffusionCut

저자들은 내부 구조 추정을 조건부 생성 모델 (Conditional Generative Modeling) 문제로 정의하고, Voxel(입자) 표현과 Diffusion Model(확산 모델) 을 결합한 프레임워크를 제안했습니다.

A. 핵심 아이디어

1. Voxel 기반 3D 표현:

   • 3D 형상을 점구름 (Point Cloud) 이나 메시 (Mesh) 가 아닌 Voxel Grid로 표현합니다.
   • 각 Voxel 에 구성 부품의 종류 (예: 배터리, 모터, 공백) 를 속성 (Attribute) 으로 인코딩합니다.
   • 장점: 불규칙한 3D 기하학 구조보다 규칙적인 격자 구조에서 속성만 예측하면 되어 학습이 용이하며, 고차원 데이터 처리의 복잡성을 줄입니다.

2. 조건부 Diffusion Model 을 이용한 구조 추정:

   • 관찰된 절단면을 조건 (Condition) 으로 주어, 관찰되지 않은 내부 영역의 Voxel 구조를 생성 (Completion) 합니다.
   • Uncertainty(불확실성) 포착: 기존 생성 모델 (CVAE 등) 은 모드 붕괴 (Mode Collapse) 로 인해 불확실성을 과소평가하고 과도하게 확신하는 경향이 있습니다. 반면, Diffusion Model 은 반복적인 노이즈 제거 과정을 통해 다중 모드 (Multi-modal) 예측 불확실성을 자연스럽게 포착합니다.
   • 이를 통해 "어디에 목표 부품이 있을지 모호한지"를 확률적으로 추정할 수 있습니다.

3. 반복적 절단 계획 (Iterative Cutting Planning):

   • Step 1: 현재 관찰된 절단면을 기반으로 Diffusion Model 을 통해 $M$개의 다양한 내부 구조 시나리오를 샘플링합니다.
   • Step 2: 샘플링된 구조들을 앙상블하여 각 절단면에서의 목표 부품 존재 확률 지도 (Presence Score Map) 를 생성합니다. (평균 + 표준편차 기반의 UCB 스타일 점수 활용)
   • Step 3: 위험 임계값 ($\eta$) 을 설정합니다. 목표 부품이 있을 확률이 임계값을 초과하는 위치는 절단 위험으로 간주하여 제외합니다.
   • Step 4: 안전 영역 내에서 제거 가능한 부피를 최대화하는 다음 절단 위치를 계획합니다.
   • 이 과정을 $T$단계까지 반복하여 목표 부품을 안전하게 추출합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 문제 설정: 내부 구조가 알려지지 않은 제품에서 절단면을 관찰하며 목표 부품을 추출하는 새로운 제품 분해 (Dismantling) 문제 설정을 정립했습니다.
2. VoxelDiffusionCut 프레임워크: Diffusion Model 을 활용한 반복적인 Voxel 기반 내부 구조 추정과 이를 고려한 절단 계획이 결합된 새로운 프레임워크를 제안했습니다.
3. 불확실성 기반의 안전한 추출: 생성 모델의 다중 모드 불확실성을 활용하여, 목표 부품이 있을 가능성이 높은 영역을 피하면서도 효율적으로 불필요한 부분을 제거하는 전략을 검증했습니다.
4. 검증: 단순한 기하학적 모델과 실제 제품 (샌더) 을 모사한 복잡한 모델을 사용한 시뮬레이션을 통해 방법론의 유효성을 입증했습니다.

4. 실험 결과 (Results)

• 실험 환경: PyVista 및 Blender 기반의 기하학적 절단 시뮬레이터 사용. 단순 모델 (3 개의 직육면체) 과 복잡한 모델 (배터리, PCB, 모터가 포함된 샌더 형태) 로 구성.
• 비교 대상:
  • Random (무작위 절단)
  • VAEAC (조건부 VAE 기반)
  • PCD-DM (점구름 기반 Diffusion)
  • Proposed-Nocond (절단면 조건 없이 학습된 제안 방법)
  • Proposed-GT (정답 내부 구조를 아는 이상적 상한선)
• 성과:
  • 오류 절단 방지: 제안 방법은 Cutting Error Volume(오류 절단 부피) 이 0 에 가깝게 유지되며, 목표 부품의 잔류율 (Part Remaining Rate) 을 100% 로 유지했습니다. 반면, VAEAC 나 PCD-DM 은 목표 부품을 잘못 절단하여 손상시키는 경우가 많았습니다.
  • 효율성: 오류를 방지하면서도 불필요한 부분을 최대한 제거하여 Part Occupancy Rate(목표 부품의 최종 체적 비율) 가 높았습니다. 특히 $\eta=0.5$ 설정 시 안전성과 효율성의 균형을 잘 이루었습니다.
  • 불확실성 활용: 복잡한 모델에서 VAEAC 는 내부 구조를 단일 모드로 잘못 예측한 반면, 제안 방법은 Diffusion Model 의 특성상 불확실성이 높은 영역을 인지하고 보수적으로 절단 계획을 수립하여 성공적으로 추출했습니다.

5. 의의 및 시사점 (Significance)

• 실용적 가치: 제품 정보나 X-ray 투과가 어려운 두꺼운 제품이나 접착된 제품에서도 내부 구조를 추정하며 부품을 회수할 수 있는 가능성을 제시했습니다.
• 안전성 강화: 배터리 등 위험 부품을 손상 없이 추출해야 하는 재활용 현장에서, 불확실성을 고려한 의사결정 알고리즘은 안전 사고를 예방하는 데 핵심적입니다.
• 기술적 확장성: Voxel 표현과 Diffusion Model 의 결합은 고차원 3D 데이터의 불완전한 관측으로부터 구조를 복원하는 일반적인 문제 해결에도 적용 가능한 패러다임을 보여줍니다.

결론적으로, 본 논문은 관찰된 절단면 정보를 기반으로 Diffusion Model 을 통해 내부 구조의 불확실성을 정량화하고, 이를 바탕으로 최적의 절단 경로를 계획함으로써 비파괴적 부품 추출을 실현하는 효과적인 프레임워크를 제시했습니다.