PrimitiveCAD: 기본 요소(Primitive) 인식 토큰화 및 연산 정렬을 통한 LLM 기반 포인트-투-CAD 재구성

대규모 모델 기반의 포인트-투-CAD 생성은 산업 디자인 발전을 촉진하고 3D 모델링 효율성을 향상시키는 데 막대한 잠재력을 가지고 있습니다. 하지만, 기존의 대부분 방법들은 이 문제를 일반적인 포인트 클라우드 인코딩 및 토큰 예측 작업으로 접근하며, CAD 관련 기본 요소(primitive)를 위한 특화된 토큰화와 지도 학습을 간과합니다. 그 결과, 이러한 방법들은 복잡한 기본 구조를 정확하게 재구성하는 데 어려움을 겪는 경우가 많습니다. 이러한 한계를 해결하기 위해, 우리는 Point-to-CAD 재구성을 위한 새로운 다단계 패러다임인 PrimitiveCAD를 제안합니다. 이는 생성된 CAD 모델의 기하학적 정확도를 높이고 중요한 기하학적 특징을 더 잘 보존하도록 합니다. 첫째, 우리는 기본 요소 인식 포인트 클라우드 토큰화 모델을 도입하여 시스템이 CAD 포인트 클라우드로부터 더욱 강력한 기하학적 표현을 학습할 수 있도록 합니다. 다음으로, 대규모 언어 모델(LLM)에 대해 지도 미세 조정(supervised finetuning)을 수행하고 연산 정렬 손실(operation alignment loss)을 도입하여 핵심 CAD 연산 빈도를 정렬함으로써 전역 형태 특징의 보존성을 향상시킵니다. 마지막으로, 강화 학습(RL)을 통합하고 특징선 정렬 보상(feature-line alignment reward)을 도입하여 확률적 편차를 더욱 줄이고 기하학적 특징의 세밀한 보존성을 높입니다. DeepCAD 및 Fusion360 데이터셋에 대한 실험 결과, 우리의 방법은 코드 유효성, 기하학적 정확도, 그리고 기하학적 특징 보존성 측면에서 최신 성능(state-of-the-art performance)을 달성함을 보여줍니다.