💻 computer science

Autoregressive B-Rep Shape Generation with Parametric Surfaces

이 논문은 포인트 클라우드로부터 네이티브 파라메트릭 서피스를 토큰화하고 합성함으로써 기존의 포인트 또는 그리드 기반 방식의 기하학적 충실도와 사용성 한계를 극복하고, 고충실도의 워터타이트(watertight) B-Rep 모델을 직접 생성하는 자기회귀 프레임워크인 ParaCAD를 소개한다.

원저자: Dafei Qin, Rui Xu, Zeyu Shen, Kaichun Qiao, Hongyang Lin, Qixuan Zhang, Huaijin Pi, Lan Xu, Jingyi Yu, Wenping Wang, Taku Komura

게시일 2026-07-21

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Dafei Qin, Rui Xu, Zeyu Shen, Kaichun Qiao, Hongyang Lin, Qixuan Zhang, Huaijin Pi, Lan Xu, Jingyi Yu, Wenping Wang, Taku Komura

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신은 복잡한 레고 성을 다시 조립하려고 노력 중이지만, 손에 든 것은 성이었던 흔적이 남은 흐릿하고 흩어진 먼지 더미뿐입니다. 당신의 목표는 이 엉망진창인 먼지를 모든 브릭이 정확하게 맞물리는 완벽하고 견고한 구조물로 되돌리는 것입니다. 이것이 바로 컴퓨터 과학에서 '생성형 디자인(generative design)'이라 불리는 도전 과제이며, AI가 무에서 유를 창조하여 새로운 3D 객체를 만들려고 시도하는 분야입니다. 보통 컴퓨터가 이러한 형상을 만들 때, AI는 픽셀 아트와 유사한 방식을 사용합니다. 즉, 곡선을 아주 작은 평면 사각형이나 점들로 근사화하는 방식입니다. 이는 마치 정사각형 픽셀만을 사용하여 완벽한 원을 그리려는 것과 같습니다. 멀리서 보면 괜찮아 보일지 모르지만, 가까이서 보면 가장자리가 울퉁불통하고 수학적으로 지저분합니다. 이 때문에 엔지니어들이 제조나 정밀 공학 같은 실제 작업에 이 형상을 사용하기 어렵게 만듭니다. 왜냐하면 컴퓨터가 만든 '원'은 진정한 원이 아니라, 그저 아주 그럴싸한 추측일 뿐이기 때문입니다.

당신이 읽게 될 논문은 AI에게 단순히 추측하는 것을 멈추고 '알게' 만드는 법을 가르침으로써 이 문제를 해결합니다. 형상을 작은 블록들로 근사화하여 만드는 대신, 연구진은 AI가 3D 디자인의 모국어인 '정확한 수학 공식'을 말하도록 하고자 합니다. 그들은 컴퓨터에게 "이 부분은 반지름이 5인 완벽한 원기둥이다"라고 말하게 하는 것이지, "이 부분은 1,000개의 작은 평면 사각형으로 이루어진 원기둥처럼 보인다"라고 말하게 하는 것이 아닙니다. 이것은 자동차 부품이나 의료 기기처럼 실제 물건을 만들어야 할 때 매우 중요합니다. 컴퓨터의 형상이 미세하게라도 어긋나면, 실제 물체가 맞지 않거나 공장 기계가 고장 날 수 있기 때문입니다.

마법의 레시피: ParaCAD

여기 ParaCAD라는 새로운 AI 프레임워크가 등장합니다. 이는 점 구름(point cloud)을 보고 즉각적으로 완벽한 건물의 정확한 설계도를 작성할 수 있는 숙련된 건축가 역할을 합니다. 연구진(중국과 미국의 대학 및 기술 기업 팀)은 시각적인 근사치가 아닌, 수학적으로 정밀한 3D 솔리드(solid)인 CAD(컴퓨터 지원 설계) 모델을 생성하기 위해 이 시스템을 개발했습니다.

그들이 이 작업을 수행한 방법은 세 가지 간단한 단계로 나뉩니다.

1. "모국어" 번역기
대부분의 AI 모델은 3D 형상을 설명할 때 이를 작은 점들의 격자나 점 구름으로 분해하려고 합니다. 이는 노래를 설명하기 위해 공기 분자 하나하나의 부피를 나열하는 것과 같습니다. ParaCAD는 다르게 작동합니다. 이 모델은 형상의 진정한 정체성을 인식하는 특별한 '토크나이저(tokenizer, 번역기)'를 사용합니다. AI가 곡면을 보면 단순히 "굽은 덩어리"라고 말하는 것이 아니라, 이를 "원기둥" 또는 "구"라고 식별하고 이를 정의하는 정확한 숫자(파라미터)를 적어 내려갑니다. 단순한 범주에 들어맞지 않는 특이한 자유 형상의 경우, 디테일을 놓치지 않으면서도 정밀하게 설명하기 위해 영리한 압축 기술을 사용합니다. 이를 통해 컴퓨터가 단순히 외형이 아닌, 표면의 '유형'을 이해하도록 보장합니다.

2. 스토리텔러 AI
AI가 정확한 형상의 언어를 구사할 수 있게 되면, "자기회귀 생성(autoregressive generation)"이라는 기술을 사용합니다. 이것은 마치 한 번에 한 단어씩 이야기를 써 내려가는 매우 똑똑한 이야기꾼과 같습니다. AI는 입력된 점 구름을 살펴본 뒤, 이미 쓴 내용을 바탕으로 다음 "단어"(객체의 다음 표면)를 예측합니다. AI는 평면, 원기둥, 원뿔 등의 표면을 하나씩 추가하며 객체를 완성해 나갑니다. 정확한 수학을 사용하여 객체를 조각조각 구축하기 때문에, 다른 방식들이 겪는 울퉁불퉁한 가장자리 문제를 걱정할 필요가 없습니다.

3. "매끄러운 봉합사(Seamless Stitcher)"
여기서 까다로운 부분이 있습니다. AI가 완벽한 원기둥과 평면의 목록을 작성했다고 해서, 그것들이 자동으로 서로 맞물려 틈이 없는 견고한 물체를 만드는 것은 아닙니다. 완벽한 피자 조각들을 가지고 있다고 상념해 보십시오. 여전히 그 조각들을 배치하여 틈이나 겹침 없이 하나의 온전한 피자를 만들어야 합니다. ParaCAD에는 숙련된 재봉사 역할을 하는 특별한 "후처리(post-processing)" 단계가 있습니다. 이 단계는 생성된 모든 표면을 가져와서, 만나는 지점에서 자르고 정확한 기하학적 규칙을 사용하여 함께 꿰맵니다. 또한 원래의 점 구름(먼지)과 일치하는지 확인하며, 맞지 않는 조각들은 버립니다. 이를 통해 최종 결과물이 구멍이 없는, 사용 가능한 솔리드 3D 모델이 되도록 보장합니다.

연구 결과

연구진은 점 구름을 3D 모델로 변환하려는 다른 최상위 방법들과 ParaCAD를 비교 테스트했습니다. 결과는 인상적이었습니다. 다른 방법들이 외형은 괜찮아 보여도 수학적으로 "울퉁불퉁"하거나 부분이 누락된 형상을 만든 반면, ParaCAD는 다음과 같은 모델을 생성했습니다.

더 높은 정확도: 형상이 원래의 점 구름과 훨씬 더 잘 일치했습니다.
더 "진실된" 형태: AI가 표면의 유형을 정확하게 식별했습니다(예를 들어, 단순히 원뿔 모양의 덩어리가 아니라 실제 원뿔임을 인지함).
더 높은 활용성: 최종 모델은 "워터타이트(watertight, 구멍이 없는)" 상태였으며, 실제 엔지니어링 소프트웨어에서 바로 사용할 수 있었습니다.

테스트에서 ParaCAD는 형상이 실제 정답(ground truth)과 얼마나 잘 일치하는지를 측정하는 지표인 F1 점수에서 0.784를 기록하며, 그다음으로 높은 점수인 0.502를 기록한 경쟁 방법을 앞질렀습니다. 원기둥이나 구와 같은 특정 형상을 인식하는 데 있어서도 ParaCAD는 경쟁 모델의 점수인 0.39에 비해 0.65라는 높은 점수를 기록하며 훨씬 뛰어난 성능을 보였습니다.

이것이 중요한 이유

이 논문은 이러한 접근 방식이 "멋진 AI 예술"과 "유용한 공학" 사이의 간극을 메움으로써 큰 진전을 이루었다고 제안합니다. 형상을 고유의 수학적 형태로 유지함으로써, ParaCAD가 생성한 모델은 3D 프린팅, 제조 및 시뮬레이션에 직접 사용될 수 있습니다. 저자들은 거칠고 노이즈가 섞인 물체 스캔(예: 먼지 쌓인 장난감)을 완벽한 CAD 모델로 변환한 뒤, 마치 인간 디자이너가 처음부터 그린 것처럼 모서리를 둥글게 만들거나 구멍을 뚫는 등의 실제 엔지니어링 작업을 수행할 수 있음을 보여주었습니다.

하지만 저자들은 이 방식이 모든 것을 해결하는 마법 지팡이는 아니라는 점을 분명히 하고 있습니다. 그들은 매우 복형한 형상의 경우, 조각들을 완벽하게 맞물리게 하는 데 여전히 어려움을 겪는 경우가 있다고 인정하며, 향가 작업에서 이러한 까다로운 사례들을 더 잘 다룰 수 있도록 개선할 수 있다고 제안했습니다. 그러나 현재로서는, AI에게 3D 디자인의 "정확한 수학"을 말하도록 가르치는 것이 단순히 보기 좋은 형상을 넘어, 진정으로 유용한 형상을 만드는 강력한 방법임을 ParaCAD는 보여주고 있습니다.

기술 요약: 파라메트릭 표면을 이용한 자기회귀적 B-Rep 형상 생성 (ParaCAD)

문제 정의

컴퓨터 보조 설계(CAD)는 정점(vertex), 곡선(curve), 표면(surface)의 정확한 해석적 공식을 통해 솔리드를 정의하는 경계 표현(Boundary Representation, B-Rep)에 의존합니다. 고유한 표면 유형(예: 평면, 원기둥)과 그 파라메트릭 정의를 보존하는 것은 정밀한 편집, 시뮬레이션 및 제조와 같은 다운스트림 작업에 매우 중요합니다. 그러나 기존의 B-Rep 생성 딥러닝 방식은 주로 균일하게 샘플링된 점 또는 그리드 기반의 기하학적 표현(예: 잠재 그리드)에 의依存합니다. 이러한 접근 방식은 표면 유형의 의미론적 정보를 흐리게 만드는 압축 오류를 겪으며, 해석적 프리미티브(analytic primitives)를 충실히 보존하지 못합니다. 결과적으로 생성된 모델은 기하학적 충실도가 떨어지고, 증폭된 교차 오류로 인해 작은 구멍이 발생하며, 해석이나 편집이 어렵습니다. 또한, 많은 방법론이 프리미티브 복구를 피하고 형상을 자유 형식(freeform) 기하학으로 표현함으로써 CAD의 구조적 이점을 저해합니다.

방법론

저자들은 점 구름(point cloud)으로부터 B-Rep 모델을 직접 생성하면서 파라메트릭 표면 상에서 작동하도록 설계된 자기회귀 프레임워크인 ParaCAD를 제안합니다. 이 파이프라인은 세 가지 핵심 구성 요소로 이루어집니다.

1. 표면 중심 토큰화 (Surface-Centric Tokenization)

ParaCAD는 B-Rep 면(face)을 이산적인 토큰 블록으로 변환하는 하이브리드 토크나이저를 도입하며, 이는 표면 유형과 파라미터를 잠재 벡터로 근사하는 대신 명시적으로 인코딩합니다.

해석적 프리미티브 (Analytic Primitives): 일반적인 표면(평면, 원기둥, 원뿔, 구, 토러스)의 경우, 토크나이저는 13개의 토큰으로 구성된 고정 길이 블록을 사용합니다.
- $s_0$ : 표면 유형 토큰.
- $s_1$ – $s_4$ : 이산화된 UV 도메인 경계.
- $s_5$ : 유형별 고유 스칼라 (예: 원뿔의 반각, 토러스의 부반경).
- $s_6$ – $s_{12}$ : 캐노니컬 표면을 3D 배치로 매핑하는 인스턴스 수준의 SIM(3) 변환 파라미터 (이동, 회전, 등방성 스케일).
자유 형식 표면 (Freeform Surfaces): 일반적인 자유 형식 패치의 경우, 유한 스칼라 양자화(Finite Scalar Quantization, FSQ)를 채택합니다. 32×32 그리드가 샘플링되고, 합성곱 오토인코더를 통해 4×4 잠재 그리드로 압축된 후, 면 블록을 채우기 위해 12개의 토큰( $s_1$ – $s_{12}$ )으로 양자화됩니다.
순서 (Ordering): 면들은 배치 좌표에 따라 사전식 순서로 정렬되어 자기회귀 모델링을 위한 결정론적 시퀀스를 생성합니다.

2. 자기회귀 생성 (Autoregressive Generation)

모델은 입력 점 구름을 조건으로 하는 디코더 전용 GPT 아키텍처(15개 트랜스포머 블록)를 활용합니다.

조건화 (Conditioning): 점 구름은 사전 학습된 인코더를 통해 257개의 토큰으로 인코딩되며, 크로스 어텐션(cross-attention)을 통해 트랜스포머에 주입됩니다.
학습 (Training): 모델은 점 구름과 이전에 생성된 토큰들이 주어졌을 때, 하나의 표면 토큰 블록을 예측하며 토큰 시퀀스에 대해 음의 로그 가능도(negative log-likelihood, 교차 엔트로피 손실)를 최소화하도록 학습됩니다.
추론 (Inference): 점 구름이 주어지면, 모델은 종료(end) 토큰에 도달할 때까지 토큰을 순차적으로 샘플링하며, 샘플링된 토큰은 다시 파라메트릭 표면으로 디코딩됩니다.

3. 기하학적 후처리 (Geometric Post-Processing)

생성 모델이 명시적인 위상적 연결성 없이 독립적인 표면 패치를 출력하기 때문에, 결정론적인 기하학적 솔버가 최종 B-Rep을 조립합니다.

교차 및 분할 (Intersection and Splitting): UV 도메인을 확장하여 중첩을 보장합니다. (출력의 파라메트릭 특성을 활용하여) 표면-표면 교차를 정확하게 계산함으로써 패치를 더 작은 조각들로 분할합니다.
선택 (Selection): 2단계 선택 프로세스가 최적의 조각 서브셋을 식별합니다:
1. 점 구름 정렬 (Point-Cloud Alignment): 조각들은 입력 점 구름과의 거리 및 법선 일치도를 기준으로 점수가 매겨집니다. 점수가 낮은 조각은 폐기됩니다.
2. 위상 최적화 (Topological Optimization): 이진 정수 프로그래밍 문제를 통해 표면 피복률을 최대화하는 동시에 2-매니폴드 제약 조건(각 에지가 정확히 두 개의 면에 의해 공유됨을 보장)을 강제하고 열린 경계를 페널티 처리합니다.
병합 (Merging): 선택된 조각들은 원래의 소속 관계를 바탕으로 병합되어 닫힌 워터타이트(watertight) B-Rep 솔리드를 형성합니다.

주요 기여

표면 중심 토크나이저: B-Rep 면을 이산 토큰으로 표현하면서도 고유한 표면 유형과 연속적인 파라미터를 보존하는 새로운 이산화 스킴입니다. 이는 해석적 프리미티브를 명시적으로 인코딩하며 호환 가능한 이산화를 통해 자유 형식 패치를 지원합니다.
점 구름 조건부 자기회귀 생성기: 경계가 제한된 UV 도메인을 가진 파라메트릭 표면을 예측하는 모델입니다. 학습 공간에서 명시적인 위상적 엔티티(에지/정점)를 제거함으로써, 과업을 기하학적으로 의미 있는 표면을 예측하는 것으로 단순화했습니다.
정확한 기하학적 솔버: 생성된 파라메트릭 표면으로부터 유효하고 워터타이트한 B-Rep을 구축하기 위해 정확한 표면-표면 교차와 이진 정수 프로그래밍을 활용하는 견고한 조립 파이프라인을 제공하며, 이를 통해 기하학적 피복률을 극대화하면서 위상적 유효성을 보장합니다.

결과

저자들은 ABC 데이터셋에서 유도된 583K개의 B-Rep 인스턴스를 대상으로 점 구름을 조건으로 하여 ParaCAD를 평가했습니다.

기하학적 및 의미론적 정확도: ParaCAD는 Chamfer Distance (CD)와 의미론적 충실도 지표(Surface Precision, Recall, F1)에서 베이스라인(P2CAD, HoLa, NVDNet 포함)을 능가했습니다. 차세대 베이스라인인 NVDNet의 F1 점수인 0.502에 비해 0.784의 F1 점수를 달리는 성과를 거두었습니다.
표면 유형 일관성: 이 방법은 모든 표면을 자유 형식으로 근사하거나 특정 프리미티브 구현에 어려움을 겪는 방법들과 비교하여, 특정 해석적 유형(예: 평면 F1 0.82, 원기둥 0.65)을 복구하는 데 있어 우수한 성능을 입증했습니다.
유효성: 후처리 파이프라인은 생성된 모델에 대해 55.81%의 유효율을 달eric했으며, 이는 HoLa 베이스라인의 47.15%보다 현저히 높은 수치입니다. 이 파이프라인은 원본 그라운드 트루스와 생성된 패치 모두로부터 위상적으로 유효한 솔리드를 안정적으로 복구함을 보여주었습니다.
응용 분야: 생성된 B-Rep은 에지 필렛(edge filleting), 불리언 교차(boolean intersections), 표면 오프셋(surface offsets)과 같은 다운스트림 CAD 작업을 지원할 수 있음을 입증하였으며, 금속 주조 시뮬레이션을 위한 초안으로 성공적으로 사용되었습니다.

의의

본 논문은 ParaCAD가 근사 기반 생성에서 직접적인 파라메트릭 표면 공간에서 작동하는 "표현 우선(representation-first)" 접근 방식으로의 전환을 나타낸다고 주장합니다. 정확한 기하학적 프리미티브와 파라미터를 보존함으로써, 이 방법은 3D 생성과 산업 디자인 요구사항 사이의 간극을 메웁니다. 이는 생성된 모델이 기하학적으로 정확할 뿐만 아니라 의미론적으로 유의미하며, 다운스트림 제조 및 시뮬레이션 워크플로우에서 직접 사용할 수 있게 함으로써, 네트워크 호환성을 위해 충실도를 희생하는 그리드 기반 및 잠재 벡터 접근 방식의 한계를 해결합니다.