💻 computer science

PrintAnything: Learning an Intermediate Representation for 3D printing G-code Generation

PrintAnything는 슬라이스별 투영 전략과 통합된 기하학적 플랜(G-plan) 맵을 도입함으로써 오류가 발생하기 쉬운 메쉬 재구성을 제거하고, 비정형 포인트 클라우드로부터 직접적인 3D 프린팅 G-코드 생성을 가능하게 하는 새로운 프레임워크이다.

원저자: Sangmin Hong, Daniel Sungho Jung, Heewon Kim, Kyoung Mu Lee

게시일 2026-07-31

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Sangmin Hong, Daniel Sungho Jung, Heewon Kim, Kyoung Mu Lee

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

당신에게 세상의 어떤 물체든 그 형태를 포착할 수 있는 마법의 카메라가 있다고 상상해 보세요. 이 카메라는 물체를 단단한 덩어리가 아니라, 수십억 개의 아주 작은 떠다니는 먼지 입자 구름으로 포착합니다. 3D 과학에서는 이를 **포인트 클라우드(point cloud)**라고 부릅니다. 이것은 레이저 스캐너나 특수 카메라에서 나오는 가공되지 않은 무질서한 데이터로, 모든 표면의 점이 정확히 어디에 위치하는지를 보여줍니다. 이제, 이 디지털 구름을 가져와 3D 프린터를 사용하여 실제 물리적 객체로 만들고 싶다고 상상해 보세요. 문제는 3D 프린터가 매우 문자 그대로만 이해하는 요리사와 같아서, "먼지 입자"를 가지고 요리하는 법을 모른다는 점입니다. 그들은 오직 매끄럽고 단단하며 물이 새지 않는 "메쉬(mesh)"—즉, 형태를 완전히 둘러싸는 디지털 풍선 껍질 같은 것—를 통해서만 작업할 수 있습니다.

오랫동안, 포인트 클라우드를 출력하려면 디지털 조각가(컴퓨터 알고리즘)를 고용하여 그 먼지 입자 위로 풍선 껍질을 펼쳐야 했습니다. 하지만 이는 위험합니다. 만약 조각가가 풍선 껍질에 아주 작은 구멍을 내거나 이상한 주름을 만든다면, 프린터는 혼란에 빠져 물체가 부서지거나 출력이 실패하게 됩니다. 이는 마치 페이지가 빠진 레시피를 사용하여 케이크를 굽는 것과 같으며, 그 결과는 재앙입니다. 과학자들이 던져온 큰 질문은 이것입니다. "우리가 저 위험한 '풍선 껍질 씌우기' 단계를 건너뛰고, 원시적인 먼지 입자를 직접 이해하도록 프린터에게 가르칠 수 있을까?"

여기에 "그렇다, 할 수 있다!"라고 말하는 새로운 프레임워크인 PrintAnything이 등장했습니다. 이 시스템은 무질서한 포인트 클라우드를 완벽한 메쉬로 먼저 강제 변환하는 대신, 떠다니는 점들을 보고 즉시 층별로 어떻게 출력할지 파악하는 법을 배웁니다. 이것은 "떠다니는 점들"의 언어와 "프린터 명령"의 언어라는 두 가지 언어를 모두 구사하는 매우 똑똑한 번역가처럼 작동합니다.

이것이 어떻게 작동하는지 간단한 비유를 통해 설명하겠습니다. 당신이 모래성을 쌓고 있다고 상상해 보세요. 하지만 성 전체를 한꺼번에 보는 대신, 빵을 써는 것처럼 한 번에 하나의 수평 단면만을 바라보는 것입니다. PrintAnything은 3D 점 구름을 가져와 이 2D 단면들 위로 투영합니다. 하지만 이 시스템은 단순히 "모래가 있다" 또는 "모래가 없다"를 보는 것이 아닙니다. 각 단면을 위한 **G-플랜 맵(G-plan map)**이라는 특별한 지도를 만듭니다. 이 지도는 프린터를 위한 세 층의 지침서라고 생각하면 됩니다:

점유 맵 (Occupancy Map): 이것은 "어디인가?" 층입니다. 프린터에게 단면의 어느 지점에 모래(재료)가 필요하고 어느 곳이 빈 공간인지를 정확히 알려줍니다.
영역 맵 (Region Map): 이것은 "무엇인가?" 층입니다. 성의 외벽(강하고 매끄러워야 함)과 내부 채움(패턴을 사용할 수 있음)을 구분합니다.
흐름 맵 (Flow Map): 이것은 "얼마나 많은가?" 층입니다. 모래(또는 플라스틱)를 움직일 때 얼마나 빨리 짜내야 하는지를 알려주어, 선들이 서로 잘 결합될 만큼 충분히 두꺼우면서도 너무 두꺼워 녹아내리지 않도록 조절합니다.

이러한 맵들을 원시 점들로부터 직접 생성함으로써, PrintAnything은 "풍선 껍질" 단계를 통째로 건너뜁니다. 그런 다음 스마트한 도우미를 사용하여 물체의 내부를 채울 최적의 패턴을 결정하며, 이때 강도와 사용되는 플라스틱 양 사이의 균형을 맞춥니다. 마지막으로, 이 맵들을 G-코드(G-code), 즉 프린터의 노즐이 물체를 만들기 위해 수행해야 할 실제 움직임 목록으로 변환합니다.

연구진은 방대한 3D 형상 데이터셋을 통해 이 방법을 테스트했으며, 그 결과 그들의 방식이 기존 방식보다 훨씬 뛰어나다는 것을 발견했습니다. 포인트 클라우드를 먼저 메쉬로 변환하는 전통적인 방식과 비교했을 때, 기존 방식은 세밀한 디테일을 뭉개버리거나 출력을 실패하게 만드는 구멍을 만드는 등의 실수를 자주 범했습니다. 반면, PrintAnything은 원래의 설계에 훨씬 더 가까운 형상을 만들어냈으며, "샴퍼 거리(Chamfer Distance, 형상이 목표물에 얼마나 가까운지를 측정하는 척도)"가 기존의 가장 우수한 방법인 0.088에 비해 단 0.047에 불과했습니다.

더욱 인상적인 것은 이 시스템이 매우 견고하다는 점입니다. 연구진은 일부 조각이 떨어져 나간("먼지 구름의 일부가 바람에 날아간 듯한") "손상된" 포인트 클라우드나, 점들이 무작위로 흔들리는 "노이즈가 섞인" 클라우드로 테스트를 진행했습니다. 이러한 결함에도 불구하고, PrintAnything은 누락된 부분을 파악하여 완전하고 안정적인 물체를 만들어냈습니다. 연구진은 컴퓨터가 생성한 명령어를 실제 기계인 Bambu Lab X1-Carbon에 적용하여 출력까지 해보았습니다. 그 결과, 복잡한 기어와 섬세한 구조물을 포함한 결과물들이 서로 잘 결합되어 있고 훌륭한 외관을 갖추고 있었으며, 이는 완벽한 메쉬를 중간 단계로 거치지 않고도 무질서한 점 구름으로부터 곧바로 단단하고 작동 가능한 물체를 만들 수 있음을 증명했습니다.

기술 요약: PrintAnything

문제 정의

포인트 클라우드(Point clouds)는 현대적인 센서(LiDAR, RGB-D 카메라) 및 생성 모델의 네이티브 출력물로서, 널리 사용되는 핵심적인 3D 표현 방식입니다. 그러나 기존의 3D 프린팅 파이프라인은 포인트 클라우드와 근본적으로 호환되지 않습니다. 표준 제조 워크플로우는 슬라이싱 소프트웨어가 G-code를 생성할 수 있도록 **워터타이트 메쉬(watertight mesh)**를 입력값으로 요구합니다. 결과적으로, 3D 프린팅을 수행하기 위해서는 반드시 포인트 클라우드를 메쉬 재구성(mesh reconstruction) 과정을 거쳐야만 합니다.

이러한 메쉬 재구성 의존성은 두 가지 결정적인 한계를 초래합니다:

호환성 결여: 표준 슬라이싱 도구는 원시 포인트 클라우드를 직접 수용할 수 없습니다.
오류 전파: 희소하거나(sparse), 노이즈가 많거나, 방향성이 없는(unoriented) 포인트 클라우드로부터 메쉬를 재구성하는 것은 난해한 문제입니다. 이는 종종 기하학적 아티팩트(잘못된 면, 구멍, 위상적 불일치)를 발생시키며, 이러한 결함은 수정하기 매우 어렵습니다. 이러한 결함은 슬라이싱 단계로 전파되어 유효하지 않은 툴패스(toolpath), 불안정한 압출, 궁극적으로는 프린팅 실패를 야기합니다.

방법론

저자들은 메쉬 재구성 단계를 완전히 건너뛰고, 방향성이 없는 3D 포인트 클라우드로부터 실행 가능한 3D 프린팅 G-code를 직접 생성하도록 학습하는 새로운 프레임워크인 PrintAnything을 제안합니다. 이 파이프라인는 세 가지 주요 단계로 구성됩니다:

1. 슬라이스별 포인트 투영 (Slice-wise Point Projection)

구조화되지 않은 3D 포인트 클라우드를 적층 제조(FDM)의 레이어별 특성에 맞추기 위해, 저자들은 슬라이스별 포인트 투영 전략을 도입했습니다.

다중 슬라이스 컨디셔닝 (Multi-Slice Conditioning, MSC): 주어진 슬라이스 높이에 대해, 포인트들을 프린터의 XY 그리드 상에 투영합니다. 국부적인 기하학적 맥락을 제공하기 위해, 시스템은 타겟 슬라이스 높이( $\Delta z/2$ ) 내의 포인트뿐만 아니라 상하 인접한 빈(bin)의 포인트들도 함께 선택합니다.
입력 표현: 투영된 포인트들은 2D 그리드( $H \times W$ )로 래스터화(rasterized)되며, 점유 마스크(occupancy masks), 밀도 맵(density maps), 높이 오프셋 맵(height-offset maps)을 위한 채널을 생성합니다.
컨디셔닝: 정규화된 슬라이스 높이는 MLP를 통해 임베딩되며, 전체 포인트 클라우드에서 추출된 글로벌 특징(Point Transformer V3 인코더 사용)과 결합되어 슬라이스 컨디셔닝 벡터를 형성합니다.

2. 기하학적 플랜 (G-plan) 맵 예측

모델은 메쉬를 예측하는 대신, 각 슬라이스에 대해 G-plan 맵이라 불리는 압축되고 통합된 2D 표현을 예측합니다. 이 맵은 포인트 클라우드와 G-code 사이의 간극을 메우는 세 가지 별개의 채널을 인코딩합니다:

점유 맵 (Occupancy Map, $M$ ): 출력될 재료가 해당하는 공간적 위치를 지정합니다.
리전 맵 (Region Map, $R$ ): 툴패스 합성을 위해 필요한 구조적 카테고리(예: 벽, 인필, 서포트, 스커트)를 인코딩합니다.
플로우 맵 (Flow Map, $Q$ ): 재료 적층을 위한 압출 관련 속성(정규화된 압출 길이)을 나타냅니다.

예측은 컨디셔닝 벡터가 FiLM(Feature-wise Linear Modulation)을 통해 바틀넥(bottleneck)에 주입되는 U-Net 아키텍처인 GPNet에 의해 수행됩니다.

3. 인필 패턴 생성 및 G-code 합성

인필 추천 (Infill Recommendation): 인필 기하 구조를 처음부터 학습하는 대신, 시스템은 부트스트랩 데이터셋을 통해 학습된 경량 추천기를 사용합니다. 이 추천기는 강도 프록시(인필 비율, 연결성, 방향성 균형)와 비용 프록시(재료 사용량, 경로 복잡도) 사이의 트레이드오프를 최적화하여 인필 패턴(예: 그리드, 자이로이드, 허니콤)과 스케일 인자를 선택합니다.
G-code 컴파일: 예측된 G-plan 맵은 순서가 있는 툴패스로 변환됩니다. 점유 맵은 출력 영역을 정의하고, 리전 맵은 구조적 역할(벽 vs 인필)을 규정하며, 플로우 맵은 압출량을 제어합니다. 이 정보들은 물리적 좌표와 압출 길이로 번역되어 표준 G-code 명령어를 생성합니다.

주요 기여

메쉬 프리 파이프라인 (Mesh-Free Pipeline): 중간 단계인 메쉬 재구성 없이 포인트 클라우드로부터 직접 실행 가능한 3D 프린팅 G-code를 생성하는 최초의 프레임워크인 PrintAnything을 소개했습니다.
슬라이스별 포인트 투영: 구조화되지 않은 3D 포인트를 레이어 단위 추론을 위한 국부적 기하 맥락이 보존된 슬라이스 정렬 2D 표현으로 변환하는 전략을 제시했습니다.
G-plan 맵: 포인트 클라우드와 G-code 사이를 효과적으로 연결하며 기하학적 특성과 압출 특성을 모두 인코딩하는 통합 표현(점유, 리전, 플로우)을 개발했습니다.
강건성 (Robustness): 본 방법은 방향성이 없거나, 불완전하거나, 노이즈가 많은 포인트 클라우드를 처리하여 메쉬 기반 방식이 실패하는 지점에서도 안정적인 툴패스를 생성하는 능력을 입증했습니다.

실험 결과

본 방법은 Slice-100K 데이터셋을 사용하여, 메쉬 재구성 베이스라인(Poisson, DWG, MeshAnything) 및 그 이후의 표준 슬라이싱 과정과 비교 평가되었습니다.

정량적 성능: PrintAnything는 모든 지표에서 우수한 성능을 달了:
- Chamfer Distance (CD): 0.047 (Poisson의 0.088 대비).
- 3D F1 Score: 0.7414 (Poisson의 0.682 대비).
- 2D Slice F1 Score: 0.677 (Poisson의 0.587 대비).
  결과는 메쉬 기반 파이프라인이 재구성 과정에서 오류를 누적시키고 이것이 슬라이싱 중에 증폭되는 반면, 직접적인 G-plan 접근 방식은 더 높은 충실도를 유지함을 보여줍니다.
절제 연구 (Ablation Studies):
- 다중 슬라이스 컨디셔닝: MSC를 활성화했을 때 CD가 20.3% 감소하고 3D F1이 5.6% 향상되어, 슬라이스 간 연속성의 가치를 확인했습니다.
- G-plan 구성 요소: 리전 맵( $R$ )의 포함은 기하학적 충실도를 개선했으며, 플로우 맵( $Q$ )은 압출 매끄러움 오류( $\Delta\rho$ -smooth)와 가변성을 크게 감소시켰습니다(56.8% 감소).
- 인필 추천기: 학습된 추천기는 랜덤 또는 고정 스케일 베이스라인에 비해 최적의 결합 강도-비용 점수(0.937)를 달성했습니다.
실제 검증: 생성된 G-code는 Bambu Lab X1-Carbon 프린터에서 성공적으로 출력되었습니다. 실제 출력물은 기계적 부품(톱니바퀴) 및 섬세한 구조물을 성공적으로 제작하며 구조적 무결성을 보여주었고, 이를 통해 파이프라인의 실질적인 실행 가능성을 확인했습니다.

의의

본 논문은 PrintAnything가 3D 센싱과 3D 제조의 통합 과정에서 발생하는 결정적인 병목 현상을 해결한다고 주장합니다. 오류가 발생하기 쉬운 메쉬 재구성에 대한 의존성을 제거함으로써, 이 프레임워크는 실용적인 완전 메쉬 프리(mesh-free) 파이프라인을 가능하게 합니다. 이를 통해 사용자는 3D 스캔 데이터(흔히 포인트 클라우드 형식)를 가지고도 직접 제조 가능한 툴패스를 얻을 수 있으며, 이는 방향성이 없거나 노이즈가 많은 입력을 다루는 데 어려움을 겪는 기존 워크플로우의 한계를 극복합니다. 본 연구는 학습 기반 접근 방식이 원시 기하 데이터로부터 복잡한 제조 명령(G-code)을 직접 합성하는 데 효과적임을 입증합니다.