[논문리뷰] Drawing2CAD: Sequence-to-Sequence Learning for CAD Generation from Vector Drawings

링크: 논문 PDF로 바로 열기

저자: Feiwei Qin, Shichao Lu, Junhao Hou, Changmiao Wang, Meie Fang, Ligang Liu

핵심 연구 목표

본 연구는 2D 벡터 엔지니어링 도면(SVG 형식)으로부터 파라메트릭 CAD 모델을 자동으로 생성하는 문제를 해결하는 것을 목표로 합니다. 기존 방식들이 래스터 이미지나 텍스트 입력에 의존하여 정밀도와 디자인 의도 보존에 한계가 있었던 점을 극복하고, CAD 생성을 시퀀스-투-시퀀스 학습 문제로 재정의하여 이러한 격차를 해소하고자 합니다.

핵심 방법론

제안하는 Drawing2CAD 프레임워크는 세 가지 핵심 구성 요소를 포함합니다. 첫째, 정확한 기하학적 정보를 보존하는 네트워크 친화적인 벡터 프리미티브 표현을 개발했습니다. 둘째, 명령어 유형과 매개변수 생성을 분리하고 정확한 대응을 유지하는 이중 디코더 Transformer 아키텍처를 사용하며, 특히 명령어 기반 매개변수 생성 방식을 도입했습니다. 셋째, CAD 매개변수의 유연성을 수용하는 소프트 타겟 분포 손실 함수를 최적화에 적용했습니다. 이를 위해 CAD-VGDrawing이라는 대규모 데이터셋을 구축했습니다.

주요 결과

Drawing2CAD는 기존의 래스터 기반 접근 방식은 물론, 벡터 기반의 DeepCAD-vector 모델보다 우수한 성능을 보였습니다. 특히 4가지 뷰(등각 투영 + 정사영)를 사용한 입력의 경우, ACCcmd 82.43%, ACCparam 76.09%를 달성했으며, 유효하지 않은 모델 생성 비율인 IR(Invalidity Ratio)은 20.31%로 낮고, MCD(Mean Chamfer Distance)는 10.88로 우수한 기하학적 일치도를 보였습니다. 이는 벡터 드로잉이 래스터 기반 입력보다 더 적합한 정보원을 제공함을 입증합니다.

AI 실무자를 위한 시사점

본 연구는 2D 벡터 드로잉을 통한 자동화된 CAD 모델링의 새로운 가능성을 열었습니다. 특히 정밀한 기하학적 정보 보존이 중요한 엔지니어링 설계 분야에서 벡터 그래픽스를 입력으로 활용하는 시퀀스-투-시퀀스 학습의 잠재력을 보여줍니다. 또한, CAD-VGDrawing 데이터셋은 향후 관련 연구 발전을 위한 중요한 자원이 될 것이며, 이중 디코더 및 소프트 타겟 분포 손실 함수와 같은 기술적 기법은 유사한 정밀 예측 문제에 적용될 수 있습니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.