GenCAD: 2D 이미지와 파라메트릭 CAD 프로그램 사이의 간극을 메우다

2D 이미지에서 기능적인 3D 모델로 전환하는 것은 계산 설계 분야에서 오랫동안 도전 과제였습니다. 많은 AI 모델이 voxels, point clouds 또는 meshes를 사용하여 3D 형상을 생성할 수 있지만, 이러한 형식은 종종 ""dead"" 기하학인 경우가 많습니다. 즉, 전문적인 엔지니어링 및 제조에 필요한 파라메트릭 히스토리와 수정 가능성이 부족합니다.

GenCAD는 단순히 3D 솔리드를 생성하는 것이 아니라, 전체 CAD program을 생성하는 이미지 조건부 생성 모델을 제안함으로써 이러한 한계를 해결합니다. 여기서 CAD program이란 기하학 커널이 모델을 재구성하기 위해 실행할 수 있는 파라미터화된 명령 시퀀스입니다. 이 접근 방식은 결과물이 정밀하고, 편집 가능하며, 전통적인 엔지니어링 워크플로우와 호환되도록 보장합니다.

GenCAD의 아키텍처

정적인 이미지로부터 파라메트릭 CAD 시퀀스를 생성하려면 시각적 기하학 및 CSG(constructive solid geometry)의 논리에 대한 정교한 이해가 필요합니다. GenCAD는 다음과 같은 4단계 파이프라인을 통해 이를 달성합니다.

  1. Autoregressive Transformer Encoder: 이 구성 요소는 CAD 명령 시퀀스의 잠재 표현(latent representation)을 학습하여, CAD 프로그램의 논리를 수학적 공간으로 효과적으로 ""압축""합니다.
  2. Contrastive Learning: 모달리티 간의 간극을 메우기 위해 GenCAD는 대조 학습 기반 모델을 사용합니다. 이는 CAD 명령 시퀀스의 잠재 공간을 CAD 이미지의 잠재 공간과 정렬시켜, 모델이 어떤 시각적 특징이 특정 CAD 작업에 대응하는지 이해할 수 있게 합니다.
  3. Latent Diffusion Model: 입력 이미지에 따라, 이 모델은 해당 CAD 명령 시퀀스의 잠재 표현을 생성합니다.
  4. Decoder Model: 마지막으로, 디코더는 이러한 잠재 표현을 사람이 읽을 수 있고 기계가 실행할 수 있는 파라메트릭 CAD 명령 시퀀스로 변환합니다.

최종 표면이 아닌 명령 히스토리에 집중함으로써, GenCAD는 설계의 ""의도""를 보존하여 엔지니어가 모델을 생성한 후에도 파라미터를 조정하고 모델을만한 정교하게 다듬을 수 있게 합니다.

산업계 관점 및 비판적 분석

GenCAD의 기술적 프레임워크는 야심차지만, 커뮤니티의 반응은 이 프로젝트가 전문적인 환경에서 실용성을 갖추기 위해 극복해야 할 몇 가지 중요한 장애물을 강조합니다.

유틸리티 간극

주요 비판 중 하나는 형상을 생성하는 것과 엔지니어링을 수행하는 것 사이의 차이입니다. 커뮤니티 구성원들이 언급했듯이, CAD의 가장 어려운 부분은 그림 자체를 그리는 것이 아니라, 공차(tolerances), 치수(dimensions), 제약 조건(constraints)을 결정하는 것입니다.

CAD 드로잉의 시간이 많이 소요되는 부분은 각 특징의 정확한 치수, 간격, 크기, 공차 등을 파악하고, 나중에 수정하기 쉽게 드로잉을 제약하는 방식입니다. 이 모델은 이를 전혀 수행하지 못합니다.

또한, 일부 사용자들은 이미지-to-CAD 생성의 유용성에 의문을 제기하며, 사용자가 이미 부품의 고품질 렌더링 이미지를 가지고 있다면, 아마도 이미 원본 CAD 파일을 가지고 있을 가능성이 높다고 주장합니다.

복잡성 및 일반화

비판가들은 또한 현재의 데모가 비교적 단순한 기하학적 형상을 보여준다는 점을 지점했습니다. 모델이 복잡한 산업용 부품을 처리하거나, 손으로 그린 스케치나 실제 사진을 오류 없이 처리할 수 있는지에 대한 회의적인 시각이 지용되고 있습니다.

예제들은 애초에 CAD에서 생성된 이미지를 넘어선 경우에는 제대로 작동하지 않을 것 같다는 의심을 들게 합니다.

대안적 접근 방식

토론에서는 유사한 결과를 얻기 위한 대안적 방법들도 조명되었습니다. 일부 개발자들은 OpenSCAD 또는 KCL(zoo.dev에서 사용됨)과 같은 커스텀 언어를 위한 코드를 생성하기 위해 대형 언어 모델(LLMs)을 사용함으로써 성공을 사례를 찾았습니다. 이러한 접근 방식은 LLM의 기존 코딩 능력을 활용하여 프로그래밍 방식의 3D 모델을 생성하므로, 미래의 AI-CAD의 방향은 독립적인 확산 모델(diffusion models)보다는 LLM과 전문화된 기하학 커널과 통합되는 데 있을 수 있음을 시사합니다.

결론

GenCAD는 표면 생성에서 프로그램 생성으로 초점을 전환함으로써 중요한 진전입니다. GenCAD는 파라메트릭 히스토리를를 통해 실제로 수정 가능한 AI 기반 설계를 위한 경로를 제공합니다. 그러나 GenCAD가 ""쿨한 데모""에서 전문적인 도구로 거변하기 위해서는, 복잡한 복합적인 엔지니어링 제약 조건을 처리하는 능력과 기존 CAD 커널 및 LLM 기반 설계 어시스턴트 생태계와 더 깊이 통합되는 능력이 필요할 것입니다.

Sources