설계도 없는 3D 모델도 읽는다: B-rep 지식 증류로 CAD 세그멘테이션 개선

핵심 메시지

• 제조 현장에서 3D 디지털 모델은 설계와 시뮬레이션, 생산으로 이어지는 파이프라인의 유일한 원본이라 표면마다 어떤 가공을 거쳤는지 아는 것이 중요하다.
• 기존 최고 성능 모델은 설계 의도가 담긴 B-rep 입력을 반드시 요구해, 도면이 없는 상황에서는 쓸 수 없다는 한계가 있었다.
• 연구팀은 B-rep 인코더를 교사로 두고 표면 사이의 관계를 메시·포인트 클라우드 모델에 옮기는 관계 기반 지식 증류를 택했다.
• 추론 단계에서는 B-rep이 필요 없어, 스캔으로 얻은 메시나 포인트 클라우드만으로도 세그멘테이션이 가능해진다.
• 성능 향상은 특히 둥글게 처리한 필렛과 45도로 깎은 챔퍼처럼 모서리 가공 구분에서 두드러졌다.

쉽게 이해하기

발표는 3D 표현 방식을 정리하며 시작한다. 같은 물체라도 복셀, 포인트 클라우드, 메시, 그리고 CAD처럼 수학적으로 정확한 표현이 있고, 각각 담을 수 있는 정보가 다르다. 제조업에서는 이 차이가 곧 생산 가능 여부로 이어진다. 형상만 있어서는 물건을 만들 수 없고, 각 면을 어떤 작업으로 만들었는지라는 설계 의도가 있어야 한다는 것이다.

그 설계 의도를 담는 표현이 B-rep이다. 문제는 기존 CAD 세그멘테이션의 최고 성능 모델들이 B-rep 입력을 전제로 한다는 점이다. 도면이 유실됐거나 실물을 스캔해 메시와 포인트 클라우드만 손에 쥔 상황에서는 쓸 수 없다. 연구팀은 여기서 출발해, B-rep이 없는 모달리티에서도 같은 판단을 하도록 만들자는 목표를 세웠다.

선택한 방법은 관계 기반 지식 증류다. 개별 특징값을 그대로 베끼는 대신 특징들 사이의 관계를 옮기는 방식으로, 교사인 B-rep 인코더가 학습한 표면 간 관계를 메시 모델과 포인트 클라우드 모델에 전달한다. 학습이 끝나면 추론에는 B-rep이 필요 없다. 상대적으로 얻기 쉬운 메시와 포인트 클라우드만으로 세그멘테이션을 수행할 수 있다는 것이 설계의 핵심이다.

본격적인 증류에 앞서 팀은 '이 교사가 정말 좋은 교사인가'부터 검증했다. 데이터셋의 여덟 개 가공 클래스에 대한 임베딩을 뽑아 시각화하고, 노이즈를 걷어낸 뒤 클래스가 얼마나 갈라지는지 확인했다. 기하 정보만 쓰는 베이스라인은 헷갈리는 클래스 쌍을 잘 나누지 못한 반면, B-rep 인코더는 이 어려운 쌍들을 분리했고 F1 기준으로도 더 높은 점수를 기록했다.

실험은 CAD와 함께 메시·포인트 데이터와 레이블까지 제공하는 퓨전 360 갤러리 데이터셋에서 진행됐다. 결과적으로 메시 기반 모델과 포인트 클라우드 기반 모델 모두 성능이 올랐고, 특히 필렛과 챔퍼에서 개선폭이 컸다. 증류 전에는 모서리를 엉뚱한 클래스로 칠하던 모델이 증류 후에는 챔퍼 영역을 제대로 구분했고, 회전으로 만들어진 면도 더 잘 잡아냈다. 마지막에는 표현 사이의 유사도 행렬을 비교해 증류가 실제로 일어났는지 확인했다.

주요 인사이트

• 지식 증류를 '성능 좋은 모델을 작게 줄이는 기법'이 아니라 '한 모달리티의 지식을 다른 모달리티로 옮기는 통로'로 쓴 사례다.
• 특징값 자체가 아니라 특징들 사이의 관계를 옮기는 방식이라, 입력 형식이 전혀 다른 학생 모델에도 적용할 수 있었다.
• 교사 모델의 적격성을 먼저 정량적으로 검증하고 증류로 넘어간 순서는, 증류가 실패했을 때 원인을 교사와 방법 중 어디에 물을지 갈라준다.
• 필렛과 챔퍼처럼 산업에서 자주 쓰이지 않는 가공은 데이터가 적어 클래스 불균형이 구조적으로 발생하며, 정확도만 보면 이 문제가 가려진다는 점이 발표 중 지적됐다.
• 도면이 사라진 부품을 스캔해 설계 의도를 되살릴 수 있다면 역설계와 제조 현장 모두에서 의미가 있다는 것이 팀이 제시한 활용 방향이다.

자주 묻는 질문

관련 AI 소식