PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2602.19171v4cs.GR

HistCAD: 편집 가능성 평가를 위한 제약 인식 파라메트릭 CAD 히스토리

HistCAD: Constraint-Aware Parametric CAD Histories for Evaluating Editability

스케치 제약(sketch constraint)은 파라메트릭 CAD 모델을 구성하고 수정하기 위한 기하학적 조건을 지정한다. 우리는 예측된 제약이 주어진 히스토리로 하여금 요구되는 초기 모델을 재현하고 지정된 치수 편집을 지원할 수 있게 하는지 연구한다. 우리는 HistCAD를 소개하는데, 이는 실행 가능한 표현(representation)과 데이터셋으로, Academic 및 Industrial 컬렉션에 엔티티 참조 스케치 제약과 보존된 특징(feature) 연산을 포함하는 180,495개의 파라메트릭 구성 히스토리가 담겨 있다. 예측기(predictor)들은 기하와 특징 정의는 보존되고 명시적 스케치 제약은 제거된 상태로 이 히스토리들을 입력받는다. 이들은 편집 요청을 보지 않은 채 모든 스케치에 대한 제약을 생성한다. 이 벤치마크(benchmark)는 동일한 치수 편집 하에서 동일한 히스토리에 대해 서로 다른 제약 집합으로 구축된 모델들을 비교한다. 편집은 모델이 요구되는 초기 기하를 재현하고, 목표 값에 도달하며, 목표 스케치에서 지정된 관계와 편집되지 않은 치수를 보존하고, 전체 히스토리를 통해 재구축될 때 성공한 것으로 간주된다. 두 컬렉션 모두에서 학습되고 입력 히스토리에 대한 설명(description)을 함께 제공받은 예측기는 Academic에서 52.4%, Industrial에서 29.0%의 전체 편집 성공률을 달성한다. 목표 스케치에서는 엔드포인트 연결성(endpoint-connectivity) 제약만을 유지하고 나머지 부분에서는 히스토리의 제약을 유지하는 모델은 목표 값에 도달하고 재구축할 수 있지만 보존에는 실패한다. 전체 스케치 예측(all-sketch prediction)의 경우, 우리는 목표 스케치 예측은 유지하고 다른 스케치들에서는 히스토리의 제약을 복원한다. 그러면 더 많은 모델이 요구되는 초기 기하를 재현하며, 이렇게 새로 일치하게 된 모델 중 일부는 편집을 완료한다. HistCAD는 제약 학습을 파라메트릭 CAD 모델의 구성 및 수정과 연결한다.

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:2607.05750v1cs.AI

ArtisanCAD: 전문가 기반 지식 증류를 활용한 산업 수준 CAD 에이전트

ArtisanCAD: An Industrial-Level CAD Agent with Expert-Grounded Knowledge Distillation

ArtisanCAD는 CATIA 작업 녹화, 매크로 로그, 도면 노트 등 전문가 절차 지식을 CAD 중간 표현(CAD-IR)으로 증류하여 재사용 가능한 파라메트릭 스킬로 변환하는 산업용 CAD 에이전트(agent)다. Text2CAD 벤치마크에서 중간 수준 프롬프트 기반 생성 시 평균 Chamfer Distance를 14.83에서 9.88로 낮췄으며, 복잡한 자동차 부품에 대해 CATIA 네이티브 편집 가능 B-Rep 모델 생성이 가능함을 실증했다.

arXiv:2607.05573v1cs.AI

자동 CAD 생성을 위한 파운데이션 모델

Foundation Models for Automatic CAD Generation

LLMForge는 자연어 명세에서 파라메트릭 3D 기계 부품을 자동 생성하는 멀티모델 텍스트-투-CAD 프레임워크로, JSON 스키마 검증·메시 합성·다중 라운드 반복 정제를 통합하며 분석적 레이트레이싱 기반의 IterTracer와 VLM 시맨틱 비평 기반의 IterVision 두 가지 체계를 제안한다. 97개 엔지니어링 설계 문제 벤치마크에서 7개 파운데이션 모델을 평가한 결과, 상위 4개 모델이 98.97%의 메시 성공률로 매우 근접한 성능 클러스터를 형성했으며, IterVision에서는 100% 워터타이트 메시 생성을 달성하는 반면 회전 대칭 기하학인 실린더에서 체계적인 어려움이 드러났다.

arXiv:2606.21378v1cs.LG

TRIZ 기반 텍스트-투-CAD 프레임워크를 통한 3D 생성 설계의 창의성 향상

Enhancing Creativity in 3D Generative Design via a TRIZ-Inspired Text-to-CAD Framework

대규모 언어 모델(LLM)의 최근 발전은 컴퓨터 지원 설계(CAD) 자동화를 포함한 엔지니어링 설계 작업 지원에 있어 상당한 잠재력을 보여주었다. 그러나 기존의 LLM 기반 3D CAD 생성 접근 방식은 대부분 기하학적 정밀도(precision)와 명령어 수행 성능에 주로 초점을 맞추며, 창의적 설계 탐험(exploration)이라는 근본적인 측면을 간과하는 경우가 많다. 본 연구는 LLM을 활용하여 고품질의 편집 가능한 CAD 모델을 생성하면서 창의적 설계 대안을 체계적으로 탐험하는 TRIZ 기반 텍스트-투-CAD 프레임워크를 제시한다. 이 프레임워크는 방대한 특허 기록으로부터 인간의 깊은 통찰을 임베딩(embedding)한 발명적 문제 해결 이론(TRIZ)을 LLM 프롬프팅 전략에 통합함으로써, 기술적 모순을 해결하는 혁신적인 CAD 변형을 자율적으로 생성할 수 있도록 한다. 설계 생성, 향상, 최적화의 포괄적인 3단계 파이프라인을 통해 정교하게 작성된 프롬프트로부터 구조적으로 다양한 CAD 모델을 생성한다. 본 연구에서는 처음 두 단계를 구현하고 평가하며, 설계 최적화 단계는 향후 연구 과제로 설정한다. 제품 설계 사례 연구(의자)를 통해 TRIZ 기반 텍스트-투-CAD 프레임워크가 분할, 반중력, 동적 설계, 복합 소재 등의 TRIZ 발명 원리를 체계적으로 적용하여 다양한 창의적 설계 대안을 생성함으로써, 구조적 무결성을 유지하면서 모든 향상된 설계에서 4.0~14.7%의 질량 감소를 달성함을 보여준다. 주요 연구 결과는 체계적 혁신 방법론과 LLM 기반 3D CAD 생성의 통합이 정밀도 중심 합성과 창의성 중심 탐험 간의 간극을 좁히며, AI가 독립적으로 설계 결정을 내리고 엔지니어링 응용 분야의 인간-AI 협력 설계에서 인간의 의사결정을 지원하는 자율 설계 시스템을 향해 나아감을 시사한다.

arXiv:2606.07024v1cs.CV

GuideCAD: 접두 문맥 임베딩을 통한 3D CAD 모델 생성을 위한 경량 멀티모달 프레임워크

GuideCAD: A Lightweight Multimodal Framework for 3D CAD Model Generation via Prefix Embedding

3D CAD 생성에 사용되는 멀티모달 접근법은 상당한 연산 자원을 요구하므로 효율적인 학습이 필요하다. 이를 해결하기 위해, 소수의 학습 가능 파라미터만으로 의미적으로 풍부한 시각-텍스트 표현을 활용하여 3D CAD 모델을 생성하는 GuideCAD를 제안한다. 구체적으로 GuideCAD는 이미지 임베딩을 접두 문맥 임베딩으로 변환하는 매핑 네트워크를 사용하여, 사전학습된 대규모 언어 모델이 시각 및 텍스트 정보를 통합할 수 있게 한다. 그 결과 트랜스포머 기반 디코더가 시각-텍스트 임베딩을 사용하여 구축 시퀀스를 예측함으로써 3D CAD 모델을 생성한다. 실험 평가를 위해 텍스트-이미지 쌍으로 구성된 새로운 데이터셋 GuideCAD를 구축했다. 각 쌍에는 3D CAD 구축 시퀀스를 나타내는 텍스트 프롬프트와 이에 대응하는 3D CAD 이미지가 포함된다. 실험 결과 GuideCAD는 미세조정 접근법과 비교해 약 4배 적은 파라미터와 2배 높은 학습 효율로, 비슷한 수준의 고품질 3D CAD 모델을 생성함을 보여준다. 본 방법의 소스 코드와 데이터셋은 https://github.com/mskimS2/GuideCAD 에 공개했다.