기술 요약: HierCAD

문제 정의

최근 대규모 언어 모델(LLM)을 활용한 텍스트-to-CAD 접근 방식은 유망한 가능성을 보여주었으나, 복잡한 설계를 생성할 때 두 가지 결정적인 병목 현상에 직면해 있습니다:

1. 구조적 불일치(Structural Inconsistency): 현재의 방식들은 일반적으로 CAD 생성을 평면적인 자기회귀(autoregressive) 시퀀스 예측으로 정형화합니다. 이러한 접근 방식은 이질적인 정보(객체 구성, 루프 토폴로지, 연속적인 기하학적 파라미터)를 단일 토큰 스트림 내에 뒤섞어 놓음으로써, 특히 다중 부품 객체나 루프가 많은 스케치에 대해 모델이 장기적인 절차적 의존성을 유지하는 것을 어렵게 만듭니다.
2. 파라미터 접지 실패(Parameter Grounding Failures): 거친 수준의 토폴로지가 올바르더라도 파라미터 예측은 여전히 취약합니다. 자기회귀 모델은 종종 "지름길 학습(shortcut learning)"에 의존하여, 텍스트 설명을 바탕으로 파라미터를 접지하기보다는 이전에 생성된 유효한 값을 부적절하게 재사용합니다. 이는 필드 간 파라미터 혼동(예: 돌출 파라미터와 좌표를 혼동) 및 필드 내 파라미터 붕괴(예: 여러 개의 서로 다른 점을 동일한 좌표에 할당)를 초래하여, 기하학적 충실도와 메쉬 품질을 저하시킵니다.

방법론

저자들은 구조적 추론과 파라미터 접지 능력을 향상시키기 위해 설계된 계층적 텍스트-to-CAD 프레임워크인 HierCAD를 제안합니다. 이 프레임워크는 두 가지 주요 혁신을 통해 개선을 도모합니다:

1. 계층적 CAD 추론 (Hierarchical CAD Reasoning)

평면적인 시퀀스를 학습하는 대신, HierCAD는 CAD 구성 트리를 여러 추론 레이어로 분리하여 생성을 점진적인 추론 과정으로 재정의합니다:

• 분리(Disentanglement): CAD 시퀀스를 구성 트리 $T = \{P, F, L\}$로 추상화하여, 연속적인 기하학적 파라미터로부터 객체 수준의 구성($P$), 부품 수준의 스케치 면($F$), 그리고 닫힌 루프($L$)를 분리합니다.
• 객체 수준의 전역 절차적 추론: 모델은 먼저 부품의 단계별 구성과 불리언 연산(New, Join, Cut, Intersect)을 설명하는 전역 감독 시퀀스 $G$를 예측합니다. 이는 거친 수준의 절차적 계획 역할을 합니다.
• 부품 수준의 지역 토폴로지 추론: 각 부품에 대해, 모델은 특정 좌표를 생성하기 전에 루프의 존재 여부와 프리미티브 시퀀스(예: 선|호|선)를 결정하는 지역 감독 시퀀스 $P_i$를 예측합니다.
• 점진적 생성: 생성 확률은 $P(Y|X) = P(G|X) \prod P(P_i|G, X)$로 인수분해되어, 모델이 기하학적 파라미터를 인스턴스화하기 전에 구성 구조를 먼저 해결할 수 있도록 합니다.

2. 통합 구조 정렬 및 파라미터 접지 (Unified Structure Alignment and Parameter Grounding, SAPG)

생성 충실도를 더욱 향상시키기 위해, HierCAD는 다음과 같은 통합 학습 전략을 도입합니다:

• 구조 정렬(Structure Alignment): 이 구성 요소는 토폴로지 추론 궤적을 표현 공간 내의 상응하는 파라미터 CAD 스팬(span)과 정렬합니다. 토폴로지 추론의 풀링된 은닉 상태(pooled hidden states)와 파라미터 시퀀스 사이의 거리를 최소화함으로써, 모델이 최종 출력에서 예측된 루프 구조를 유지하도록 유도합니다.
• 파라미터 접지(Parameter Grounding): 지름길 학습을 완화하기 위해, 저자들은 **구조 보존 파라미터 섭동(structure-preserving parameter perturbations)**을 사용합니다. 이들은 수치 파라미터가 텍스트와는 불일치하지만 구조와는 일치하도록 변환된(비등방성 스케일링 및 이동을 통한) 섭동된 타겟($y^-$)을 생성합니다. 그 후, 모델이 부적절한 값의 재사용 대신 장거리 텍알려진 텍스트 설명에 의존하도록 강제하기 위해 랭킹 기반 감독 손실($L_{param}$)을 적용합니다.

주요 기여

1. 계층적 재정형화: 평면적인 감독을 전역 절차적 추론과 지역 토폴로지 추론으로 분해하여, 복잡한 CAD 생성을 위한 강력한 구조적 사전 정보를 제공하는 새로운 텍스트-to-CAD 생성 패러다임을 제시했습니다.
2. SAPG 학습 전략: 자기회귀 생성에서의 토폴로지 드리프트와 지름길 기반 파라미터 오류를 명시적으로 해결하기 위해 구조 정렬과 파라미터 접지를 결합한 새로운 학습 접근 방식을 제안했습니다.
3. 실증적 검증: Qwen 2.5-Coder-14B를 기반으로 구축된 모델이 생성된 CAD 시퀀스 정확도와 재구성된 CAD 모델 품질 모두에서 최첨단 방식(SOTA)보다 유의미한 성능 향상을 보임을 종합적인 실험을 통해 입증했습니다.

실험 결과

실험은 Text2CAD 및 CADmium의 전문가 수준 주석이 포함된 DeepCAD 데이터셋을 대상으로 수행되었습니다.

• 정량적 성능: HierCAD는 모든 지표에서 베이스라인(Text2CAD 및 CADmium)을 능가했습니다.
  • 시퀀스 생성: Line, Arc, Circle, Extrusion 프리미티브에 대해 가장 높은 F1 점수를 달성했습니다. 특히, Arc F1에서 상당한 이득을 보였는데, 이는 복잡한 다중 프리미티브 루프 구조를 더 잘 보존함을 나타냅니다.
  • 모델 재구성: 가장 낮은 무효성 비율(1.45%)과 최상의 Chamfer Distance(평균 35.22)를 달성했습니다. 또한 Watertightness, EECM, DMCD와 같은 토폴로지 지표에서도 우수한 성과를 보여, 우수한 매니폴드 유효성과 국부 표면 기하학 보존 능력을 입증했습니다.
• 정성적 분석: 시각적 비교 결과, 베이스라인 모델들이 루프를 단순화된 형상으로 붕괴시키거나, 부품을 환각(hallucination)하거나, 불리언 연산에서 드리프트가 발생하는 것과 달리, HierCAD는 정확한 부품 수준의 토폴로지 구조와 불리언 시퀀스를 성공적으로 복구했습니다.
• 절제 연구(Ablation Studies): SAPG 모듈을 제거했을 때(HierCAD w/o SAPG), 모델이 시퀀스의 관련 없는 부분에서 좌표를 재사용하는 "수치적으로는 그럴듯하지만 의미론적으로는 틀린" 값을 생성하는 지름길 학습 현상이 나타났습니다. 반면, SAPG를 포함한 전체 HierCAD는 이러한 파라미터들을 특정 텍스트 설명에 성공적으로 접지했습니다.

의의 및 주장

본 논문은 HierCAD가 기존 자기회귀 CAD 생성기의 핵심 한계인 약한 장기 구조 추론과 지름길 기반 파라미터 오류를 해결한다고 주장합니다. 저자들은 텍스트-to-CAD 생성의 진보가 단순히 더 강력한 파운데이션 모델뿐만 아니라, CAD 구성 프로세스에 특화된 더 나은 감독 재정형화와 훈련 목적 함수에 달려 있다고 단언합니다.

생성 작업을 계층적 추론으로 분해하고 구조-파라미터 정렬을 강제함으로써, HierCAD는 더 정확하고, 유효하며, 편집 가능한 텍스트 기반 CAD 생성을 향한 경로를 제공합니다. 저자들은 이 프레임워크를 이전 방식들이 해결하기 어려워했던 복잡한 다중 부품 및 다중 루프 설계를 처리할 수 있는 신뢰할 수 있는 CAD 코파일럿(Copilot)을 향한 단계로 포지셔닝합니다.