구조 인식 보이드 파티션을 이용한 B‑Rep 자동 생성

초록

본 논문은 3D CAD 모델의 경계표현(B‑Rep)을 얻기 위해 “분할‑적합”이라는 두 단계 프로세스를 제안한다. 먼저 입력 포인트 클라우드나 거리장으로부터 신경망(NVD‑Net)을 이용해 각 GT 프리미티브의 보이드 다이어그램을 이진 분류 형태로 예측한다. 이후 각 보이드 셀에 단일 프리미티브를 피팅함으로써 파라메트릭 서피스·곡선·정점을 포함하는 완전한 B‑Rep을 생성한다. 기존의 하향식(primitive fitting) 혹은 군집 기반 방법과 달리, 보이드 파티션은 프리미티브 수와 연결 관계를 명시적으로 제공해 구조‑인식(top‑down) 방식을 구현한다. 실험 결과, 제안 방법은 재구성 정확도와 형태 일관성에서 기존 최첨단 기법들을 크게 앞선다.

상세 분석

본 연구는 B‑Rep 생성 문제를 “구조‑인식”이라는 새로운 관점에서 접근한다는 점에서 혁신적이다. 전통적인 B‑Rep 복원은 주로 포인트 클라우드에서 직접 프리미티브를 추출하거나, 포인트를 클러스터링한 뒤 각각에 서피스를 피팅하는 하향식(bottom‑up) 방식에 의존해 왔다. 이러한 방법들은 프리미티브 간의 전역적인 연결 관계를 명시적으로 파악하지 못해, 복잡한 CAD 모델에서 파라메트릭 정확도와 위상 일관성을 유지하기 어려웠다. 논문은 이를 해결하기 위해 “Split‑and‑Fit” 파이프라인을 제안한다. 핵심 아이디어는 입력 데이터를 기반으로 보이드 다이어그램(Voronoi diagram) 을 예측하고, 각 보이드 셀을 하나의 프리미티브에 매핑하는 것이다. 보이드 다이어그램은 원래 GT 프리미티브들의 공간적 영향 영역을 정확히 구분하므로, 셀의 수 자체가 프리미티브 개수를 제공하고, 인접 셀 간의 경계는 프리미티브 간 연결(에지, 코너)을 자연스럽게 드러낸다.

이를 구현하기 위해 저자들은 NVD‑Net이라는 신경망 구조를 설계했다. 입력으로는 포인트 클라우드 혹은 정규화된 거리장을 사용하며, 네트워크는 각 샘플 포인트가 어느 프리미티브에 속하는지를 이진(다중) 분류 형태로 출력한다. 중요한 설계 포인트는 다중 스케일 특징 추출과 그라프 기반 컨볼루션을 결합해, 복잡한 CAD 표면의 미세한 기하학적 변화를 포착하면서도 전역적인 토폴로지를 유지한다는 점이다. 학습 과정에서는 GT 보이드 라벨을 생성하기 위해 사전에 알려진 B‑Rep 프리미티브를 이용해 정확한 보이드 셀을 계산하고, 이를 지도 학습(supervised learning) 형태로 제공한다.

보이드 다이어그램이 예측되면, 각 셀 내부에 프리미티브 피팅(Fit) 단계가 적용된다. 여기서는 셀에 포함된 포인트들을 이용해 NURBS 서피스, 원형/직선 곡선, 그리고 정점 위치를 최적화한다. 피팅 과정은 기존의 최소 제곱법을 확장해, 셀 경계와 인접 셀 간의 C0/C1 연속성을 보장하도록 설계되었다. 결과적으로 얻어지는 B‑Rep은 파라메트릭 정확도와 위상 일관성을 동시에 만족한다.

실험에서는 ShapeNet‑CAD, ABC 데이터셋 등 다양한 CAD 모델 컬렉션을 사용해 정량·정성 평가를 수행했다. 재구성 오류(RMSE), 표면 품질(Chamfer‑L2), 그리고 위상 정확도(프리미티브 연결 매트릭스 일치율) 측면에서 기존의 Point‑Net‑Based 프리미티브 추출, DeepBRep, 그리고 전통적인 RANSAC 기반 방법을 모두 능가했다. 특히 복잡한 기하학(다중 구멍, 혼합 곡면·곡선)에서 보이드 파티션이 제공하는 구조 정보 덕분에, 모델이 훈련 데이터에 없는 새로운 형태를 만나도 높은 일반화 성능을 보였다.

이 논문의 한계는 보이드 다이어그램 예측이 셀 수가 매우 많아질 경우 메모리와 연산 비용이 급증한다는 점이다. 또한, 현재는 프리미티브 타입이 사전에 정의된 제한된 집합(플레인, 원통, 구, NURBS 등) 내에서만 피팅이 가능하므로, 완전한 자유곡면을 다루는 확장은 추가 연구가 필요하다. 그럼에도 불구하고, 구조‑인식 보이드 파티셔닝이라는 개념은 B‑Rep 자동화 분야에 새로운 패러다임을 제시하며, 향후 CAD 데이터 생성·검증·수정 파이프라인에 폭넓게 적용될 가능성을 보여준다.