Brep2Shape 경계와 형상 표현 정렬을 위한 자기지도 트랜스포머

초록

Brep2Shape은 CAD에서 표준으로 사용되는 B‑rep(경계표현) 데이터를 자기지도 방식으로 사전학습하여, 파라메트릭 제어점으로 표현된 추상적인 경계 정보를 밀집된 3D 포인트 형태의 직관적인 형상으로 정렬한다. 이를 위해 베지어 프리미티브를 기반으로 한 Dual Transformer 구조와 토폴로지 어텐션을 도입해 면과 곡선 토큰을 별도 스트림으로 인코딩하고, 면·곡선 간 연결 관계를 어텐션 바이어스로 반영한다. 실험 결과, 다양한 다운스트림 작업(분류, 세그멘테이션, 파라메트릭 재구성 등)에서 기존 방법보다 높은 정확도와 빠른 수렴 속도를 달성한다.

상세 분석

본 논문은 CAD 분야에서 B‑rep이 갖는 두 가지 근본적인 한계, 즉 연속적인 파라메트릭 표현은 수학적 정밀도를 제공하지만 시각적으로 추상적이며, 이산적인 샘플링 기반 표현은 직관적이지만 기하학적 정확도가 떨어진다는 점을 정확히 짚어낸다. 이러한 “표현 격차”를 메우기 위해 저자들은 두 가지 핵심 아이디어를 제시한다. 첫째, B‑rep의 파라메트릭 데이터를 베지어 프리미티브(고정된 제어점 수)로 분해함으로써 입력 차원을 일정하게 만든 뒤, 동일 모델이 이 제어점 집합을 입력받아 해당 면·곡선이 차지하는 실제 3D 공간을 밀집 포인트 집합으로 예측하도록 학습시킨다. 이 과정은 완전한 자기지도(pre‑text) 작업으로, 별도의 라벨이 필요 없으며 파라메트릭 계수와 실제 형상 사이의 함수적 관계를 모델이 스스로 학습하게 만든다. 둘째, Dual Transformer 구조를 도입해 면 토큰과 곡선 토큰을 병렬 스트림으로 처리한다. 이는 두 종류의 기하학적 특성이 서로 다른 스케일과 변형성을 갖는 점을 고려한 설계이며, 토폴로지 어텐스(Topology Attention) 메커니즘을 통해 면·곡선 간 인접 관계를 어텐션 바이어스로 삽입한다. 이 바이어스는 B‑rep의 위상 그래프와 그 듀얼(엣지‑페이스 관계) 정보를 직접 활용해, 모델이 전역적인 연결성을 유지하면서 로컬 기하학을 학습하도록 돕는다. 논문은 또한 베지어 프리미티브를 NURBS에서 추출하는 방법을 상세히 기술하고, 제어점 위치와 가중치 변동이 실제 형상에 미치는 영향을 시각화해 제안 방법의 직관성을 강조한다. 실험에서는 대규모 CAD 데이터셋을 이용해 사전학습을 수행한 뒤, 파라메트릭 재구성, 파트 분류, 면 세그멘테이션 등 다양한 다운스트림 태스크에 파인튜닝한다. 결과는 기존 연속형 방법(BRT)과 이산형 방법(UV‑Net, BrepNet) 대비 평균 35%p의 정확도 향상과 1.52배 빠른 수렴 속도를 보여준다. 특히 토폴로지 어텐션을 제거한 Ablation 실험에서 성능 저하가 뚜렷이 나타나, 위상 정보가 모델 일반화에 핵심적임을 입증한다. 전체적으로 이 논문은 B‑rep의 연속성과 이산성 사이의 트레이드오프를 학습적으로 해소하고, 자기지도 학습이 CAD 도메인에 적용될 수 있는 강력한 프레임워크를 제시한다는 점에서 큰 의의를 가진다.