my.msu.ru

이 이메일 도메인이 관측된 논문 4건

arXiv:2610.09127v1cs.AI

CADFather: 조율된 도구 사용을 통한 자율적 CAD 복원

CADFather: Autonomous CAD Reconstruction through Coordinated Tool Use

3D 형상으로부터 편집 가능한 CAD 모델을 복원하는 것은 여전히 까다로운 엔지니어링 과제입니다. 기존 방법들은 CAD 작업을 제안할 수 있지만, 단일 제안 소스가 다양한 부품 형상과 복원 단계 전반에 걸쳐 항상 일관되게 잘 작동하지는 않습니다. 본 논문에서는 상호 보완적인 도구들을 조율하여 3D 메시(mesh)로부터 파라메트릭 CAD 프로그램을 복원하는 자율 에이전트 시스템인 CADFather를 소개합니다. 비전-언어 어시스턴트는 타깃 및 중간 복원 렌더링을 검사한 후, 확장할 후보 CAD 프로그램, 호출할 도구, 생성할 제안 수, 종료 시점을 결정합니다. 학습 기반 및 알고리즘 기반 도구는 CAD 작업을 제안하고, 수치 최적화는 기존 프로그램의 파라미터를 정밀하게 조정합니다. 제안되거나 정제된 프로그램은 실행 및 평가되어 후속 결정을 위한 피드백을 제공합니다. 에이전트는 각 타깃 부품에 대해 대안 후보 프로그램들을 유지하며 복원 과정 전반에 걸쳐 유효한 최상의 결과를 보존합니다. CADFather는 추가 학습(training) 없이 사전학습된 생성 및 어시스턴트 모델을 사용합니다. DeepCAD, Fusion360, MCB의 전체 테스트 셋뿐만 아니라 CADENA-Bench, CADBench, BenchCAD에서 복원 품질과 실행 유효성을 평가합니다. 추가적으로 연산 비용과 비용 대비 복원 품질 간의 트레이드오프를 분석합니다.

arXiv:2610.09077v1cs.CV

DISRQAD: 확산 기반 이미지 초해상화 품질 평가 데이터셋 및 벤치마크

DISRQAD: Diffusion Image Super-Resolution Quality Assessment Dataset and Benchmark

확산(diffusion) 기반 이미지 초해상화(SR)는 저해상도 입력에서는 뒷받침되지 않는 시각적으로 그럴듯한 세부 정보를 생성할 수 있습니다. 본 연구에서는 이러한 환경을 위한 주관적 품질 데이터셋이자 진단 벤치마크인 DISRQAD를 소개합니다. 이 데이터셋은 4가지 저해상도 열화 조건과 2배/4배 업스케일링에 걸쳐 10가지 확산 기법 및 4가지 비확산 기법으로부터 얻은 14,000개의 SR 결과물에 대한 평균 의견 점수(MOS)를 포함합니다. 51가지의 표준 완전 참조(full-reference) 및 무참조(no-reference) 메트릭 구성과 11가지의 적응형 변형을 평가합니다. 확산 모델의 결과물에서는 MOS와의 일치도가 크게 낮아져, 가장 강력한 표준 무참조 기준선(baseline)도 비확산 SR에서는 0.813 SRCC에 달하는 반면 확산 SR에서는 0.431 SRCC에 그칩니다. 벤치마크 활용 사례 연구로서, 가지치기 및 지식 증류(distillation)를 적용한 Q-ReAlign-mini 학생 모델은 확산 SR에서 0.496 SRCC를 달성합니다. DISRQAD는 입력에 대한 충실도가 아니라 인지된 출력 품질을 측정하며, 생성기 제품군 및 입력 조건 전반에 걸친 메트릭 동작 분석을 가능하게 합니다. 본 연구 결과는 확산 기반 SR 평가에 존재하는 상당한 격차를 드러내며, 확산 모델 특유의 아티팩트에 민감한 품질 모델을 개발하기 위한 기반을 제공합니다.

arXiv:2603.29847v2cs.GR

CADReasoner: CAD 역공학을 위한 반복적 프로그램 편집

CADReasoner: Iterative Program Editing for CAD Reverse Engineering

컴퓨터 지원 설계(CAD)는 현대 공학을 뒷받침하지만, 고품질 부품을 제작하려면 여전히 상당한 전문가의 노력이 필요합니다. 많은 AI 시스템이 CAD 역공학(reverse engineering)을 다루지만, 대부분은 단일 패스(single-pass) 방식이어서 미세한 기하학적 세부사항을 놓칩니다. 반면, 인간 엔지니어는 입력 형상과 재구성된 형상을 비교하고 남은 불일치를 바탕으로 설계를 반복적으로 수정합니다. 에이전트(agent) 기반 방법은 고정된(frozen) VLM을 통해 이러한 루프를 모방하지만, 현재 파운데이션 모델의 취약한 3D 그라운딩(grounding)으로 인해 신뢰성과 효율성이 제한됩니다. 본 논문에서는 입력 형상과 예측된 형상 간의 기하학적 불일치를 활용하여 예측을 반복적으로 개선하도록 학습(training)된 모델(model)인 CADReasoner를 소개합니다. 이 모델은 실행 가능한 CadQuery Python 프로그램을 출력하며, 여기서 렌더링된 메시는 다음 단계의 입력으로 다시 피드백됩니다. CADReasoner는 상호 보완적인 모달리티로서 다중 시점(multi-view) 렌더와 포인트 클라우드를 융합합니다. 실세계와의 격차를 줄이기 위해, 학습 및 평가(evaluation) 과정 모두에 적용되는 스캔 시뮬레이션 프로토콜을 제안합니다. DeepCAD, Fusion 360, MCB 벤치마크(benchmark) 전반에 걸쳐, CADReasoner는 클린 트랙과 스캔 시뮬레이션 트랙 모두에서 최고 수준(state-of-the-art)의 결과를 달성합니다.

arXiv:2610.02010v1cs.CV

잠재 주파수 마스킹에 대한 생성형 이미지 워터마크의 취약점 탐색

Exploring Weaknesses of Generative Image Watermarks against Latent Frequency Masking

보이지 않는 워터마킹(invisible watermarking)은 AI 생성 이미지를 추적하는 핵심 도구가 되었으나, 적응형 제거 공격에 대한 견고성(robustness)은 여전히 미해결된 보안 과제로 남아 있습니다. 본 논문에서는 워터마크가 적용된 이미지의 잠재 표현(latent representation)에서 선택된 푸리에 계수(Fourier coefficients)를 대체하여 워터마크 흔적을 지우는 공격 방식인 잠재 주파수 마스킹(Latent Frequency Masking)을 소개합니다. 대체할 값은 효율성을 위해 가우시안 노이즈(Gaussian noise)에서 샘플링하거나, 이미지 보존성을 높이기 위해 확산 재성형(diffusion regeneration)을 통해 도출할 수 있습니다. 또한 재구성된 적대적 이미지와 마스킹된 잠재 주파수 섭동(perturbation) 사이의 변화를 연계하는 이론적 왜곡 경계(distortion bound)를 제시합니다. 제안된 공격 기법을 DiffusionDB 및 MS-COCO 프롬프트로 생성된 이미지에 대해 6가지 확산 워터마킹 방식을 대상으로 평가합니다. 잠재 주파수 마스킹은 시각적 품질을 보존하고 기존 공격 기법 대비 우수한 실행 시간을 달성하면서 여러 워터마크를 제거하거나 대폭 약화시킵니다. 이러한 결과는 잠재 주파수 조작이 실질적인 공격 표면(attack surface)임을 입증하며, 생성형 이미지 워터마킹의 견고성 평가에 이러한 공격을 포함해야 할 필요성을 강조합니다.