1. 문제 정의 (Problem)

전통적인 CAD(Computer-Aided Design) 모델링은 전문 지식과 노력이 많이 요구되는 수동 작업입니다. 최근 대규모 언어 모델 (LLM) 을 활용한 텍스트 기반 CAD 생성 연구가 진행되고 있으나, 다음과 같은 주요 한계점이 존재합니다.

• 생성 (Generation) 과 편집 (Editing) 의 분리: 기존 접근법은 초기 모델 생성과 이후의 수정 (편집) 을 별개의 작업으로 취급합니다. 실제 디자인 과정은 반복적이고 점진적인 수정 (추가, 삭제, 변경) 을 수반하므로, 이 두 작업을 통합하지 못하면 실용성이 떨어집니다.
• 비전문가 접근성 부족: 기존 모델들은 매우 기술적이고 상세한 텍스트 프롬프트를 요구하여 비전문가가 사용하기 어렵습니다.
• 데이터의 한계: 기존 편집 데이터는 주로 무작위로 생성된 단순한 수정에 의존하여, 실제 인간의 의도 (Qualitative: "베이스를 더 두껍게", Quantitative: "반지름을 6mm 줄이기") 를 반영한 정교한 편집을 학습하기 어렵습니다.

2. 방법론 (Methodology)

저자들은 PR-CAD라는 새로운 프레임워크를 제안하여 생성과 편집을 통합된 점진적 정제 (Progressive Refinement) 프로세스로 해결합니다.

A. 고품질 인간 유사 상호작용 데이터 구축

• 전 주기 (Full Lifecycle) 데이터: DeepCAD 데이터를 기반으로 CAD 의 전 주기를 아우르는 고품질 상호작용 데이터를 구축했습니다.
• 다양한 설명 모달리티: 질적 (Qualitative) 과 양적 (Quantitative) 설명을 모두 포함하며, 다양한 CAD 표현 형식 (DSL, ST, GPL) 을 지원합니다.
• 편집 데이터 생성: 기존 모델에서 특정 S-E(Sketch-Extrude) 연산을 제거하여 삭제 (Deletion) 시나리오를 만들고, 이를 바탕으로 다시 추가 (Addition) 하는 과정을 시뮬레이션하여 인간과 유사한 편집 데이터 쌍을 생성했습니다.

B. 강화 학습 기반 추론 프레임워크

LLM 을 기반으로 한 단일 에이전트를 통해 의도 이해, 파라미터 추정, 정밀한 편집 위치 파악을 통합합니다.

1. 구조화된 사고 체인 (Structured Chain-of-Thought, SCoT): 복잡한 작업을 4 단계 (의도 이해, 모델링 분석, 파라미터 계산, 위치 식별) 로 분해하여 LLM 의 추론 능력을 향상시킵니다.
2. 지도 미세 조정 (Supervised Fine-Tuning, SFT): 도메인 특화 언어 (DSL) 와 SCoT 데이터를 사용하여 LLM 이 CAD 생성 패턴을 학습하도록 합니다.
3. 강화 학습 (Reinforcement Learning, RL): Generalized Reward Optimization (GRPO) 을 적용하여 모델의 성능을 최적화합니다.
   • 보상 함수 (Reward Function): 기하학적 정확도 (Chamfer Distance), 형식 정확도, 실행 가능성, 출력 길이 등을 종합적으로 고려하여 보상을 부여합니다.

C. 적응형 표현 전략

• 생성 작업: 도메인 특화 언어 (DSL, 예: LogoUp 3D) 를 사용하여 최적의 생성 성능을 달성합니다.
• 편집 작업: 구조화된 텍스트 (Structured Text) 를 사용하여 편집 작업에 더 효과적입니다.

3. 주요 기여 (Key Contributions)

1. 통합 프레임워크 (PR-CAD): 생성과 편집을 하나의 통제 가능한 에이전트 내에서 통합하여, "모든 것 (All-in-one)" 솔루션을 제공합니다.
2. 고충실도 상호작용 데이터셋: CAD 의 전 주기를 커버하며, 다양한 편집 유형과 설명 모달리티 (질적/양적) 를 포함하는 대규모 데이터셋을 구축했습니다.
3. 고급 추론 기법: SFT, SCoT, RL 을 결합한 새로운 학습 방법을 개발하여 기하학적 충실도, 실행 가능성, 사용자 의도 정렬을 동시에 최적화했습니다.

4. 실험 결과 (Results)

공개 벤치마크 및 인간 평가를 통해 PR-CAD 의 우수성을 입증했습니다.

• 성능 지표 (Quantitative & Qualitative):
  • 생성 및 편집 작업: 기존 최첨단 모델 (Text2CAD, FLEXCAD, CAD-Editor 등) 과 비교하여 Invalidity Ratio (IR) 와 Mean Chamfer Distance (CD) 에서 가장 낮은 오류율과 높은 기하학적 정확도를 기록했습니다.
  • 의도 충실도 (VLM-Eval): 사용자 의도를 얼마나 잘 반영하는지 평가하는 VLM-Eval 점수에서 PR-CAD 는 77.83으로 가장 높은 점수를 기록했습니다 (기존 모델들은 60~69 수준).
• 사용자 평가 (Human Evaluation):
  • 성공률: 전문가와 초보자 모두에서 단일 턴 생성 방식보다 다중 턴 대화 (Progressive Refinement) 방식을 사용할 때 성공률이 크게 향상되었습니다 (전문가 100%, 초보자 81.25%).
  • 사용성 (SUS): 시스템 사용성 척도 (SUS) 점수가 전문가 93.125, 초보자 80.625 로 매우 높게 나타나 사용자 친화적임을 입증했습니다.
• ChatCAD: 다중 턴 대화를 통해 CAD 모델을 점진적으로 수정하고 업데이트하는 시스템 (ChatCAD) 을 구현하여 실제 적용 가능성을 시연했습니다.

5. 의의 및 결론 (Significance)

PR-CAD 는 텍스트 기반 CAD 생성 분야에서 다음과 같은 중요한 의의를 가집니다.

• 실용성 향상: 생성과 편집을 분리하지 않고 통합함으로써, 실제 디자인 프로세스에 부합하는 반복적이고 점진적인 수정을 가능하게 합니다.
• 접근성 확대: 비전문가도 자연어 (질적/양적) 로 CAD 모델을 생성하고 수정할 수 있게 하여, CAD 모델링의 진입 장벽을 낮춥니다.
• 기술적 진보: LLM 의 추론 능력을 강화 학습과 구조화된 사고 체인을 통해 CAD 도메인에 효과적으로 적용한 새로운 패러다임을 제시합니다.

결론적으로, PR-CAD 는 기존 방법론의 한계를 극복하고 정확성, 신뢰성, 사용자 의도 반영도에서 새로운 기준 (State-of-the-Art) 을 설정하여 CAD 디자인의 민주화를 앞당기는 강력한 도구입니다.