[논문리뷰] StepCAD: Mesh-to-CAD Code Generation via LLM Policy and Geometry-Guided Search

링크: 논문 PDF로 바로 열기

저자: Ghadi Nehme, Faez Ahmed, et al.

## 1. Key Terms & Definitions (핵심 용어 및 정의)

• StepCAD: 입력된 3D mesh로부터 구조화되고 실행 가능한 CadQuery 코드를 생성하기 위해 상태 조건부 LLM 정책과 기하학적 최적화 검색을 결합한 프레임워크입니다.
• ARCADE-1.5M: 1.5M개의 실행 가능한 CAD 프로그램과 12.5M개의 중간 상태-행동 전환 데이터를 포함하는 대규모 합성 데이터셋입니다.
• IoU-guided Tree Search: 정책이 제안한 초기 CAD 프로그램 구조를 기하학적 유사도(IoU) 기반의 국소 편집(local edit)을 통해 개선하는 추론 시간 최적화 단계입니다.
• CadQuery: 논문에서 CAD 프로그램을 표현하고 실행하는 데 사용하는 도메인 특화 언어(DSL)입니다.

## 2. Motivation & Problem Statement (연구 배경 및 문제 정의) 본 연구는 3D mesh를 편집 가능한 매개변수형 CAD 프로그램으로 역설계(reverse engineering)하는 과정의 높은 복잡성과 구조적 의존성을 해결하고자 합니다. 기존의 학습 기반 방식들은 주로 sketch-extrude 파이프라인에 국한되어 있으며, 전체 프로그램을 한 번에 예측하는 단일 패스(single-pass) 방식은 중간 과정의 기하학적 오류를 수정할 기회를 제공하지 못합니다. 이에 따라 저자들은 기하학적 구조를 효과적으로 학습하고, 추론 과정에서 명시적인 실행 피드백을 통해 오류를 보정하는 정책-최적화 결합 모델의 필요성을 제기합니다.

## 3. Method & Key Results (제안 방법론 및 핵심 결과) 본 논문은 상태 조건부 LLM 정책인 Π-StepCAD와 Geometry-Aware Program Optimization 단계를 결합한 StepCAD 프레임워크를 제안합니다 [Figure 2]. Π-StepCAD는 Qwen2.5-Coder-1.5B를 백본으로 하며, 중간 기하학적 상태를 포인트 클라우드로 인코딩하여 다음 행동을 자기회귀적으로 예측합니다. 이후 수행되는 트리 검색(tree search)은 Continuous refinement, Sketch modification, Complement cut, Operation skipping과 같은 4가지 국소 편집 연산을 통해 프로그램을 반복적으로 최적화합니다 [Table 6]. 주요 실험 결과, 제안 모델은 CADBench의 모든 벤치마크에서 SOTA 성능을 달성하였습니다. 특히, ABC Hard 데이터셋에서 이전 최고 베이스라인 대비 87.2%의 상대적인 IoU 향상을 보였으며, 복잡한 기하학적 형상일수록 모델의 강건함이 더욱 두드러짐을 확인하였습니다 [Table 2]. 또한, Chamfer Distance 측정에서도 최저치를 기록하며 기하학적 세부 묘사 능력이 우수함을 입증하였습니다.

Figure 2 — 정책 기반 생성과 트리 검색 최적화를 결합한 전체 프레임워크 구조

Table 2 — 주요 데이터셋에 대한 성능 비교 결과 및 SOTA 달성 입증

Table 6 — 각 국소 편집 연산이 최종 결과에 미치는 기여도 분석

## 4. Conclusion & Impact (결론 및 시사점) 본 연구는 CAD 역설계 문제를 단순한 시퀀스 생성에서 벗어나, 정책 기반 제안과 실행 기반 최적화를 결합한 새로운 최적화 문제로 재정의하여 학계 및 산업계에 새로운 패러다임을 제시합니다. 150개 이상의 작업 단계를 포함하는 장기 시퀀스 데이터셋인 ARCADE-1.5M은 향후 CAD 관련 생성 모델 학습의 핵심적인 자산이 될 것입니다. 이 연구는 기존 단일 패스 모델의 한계를 극복함으로써 보다 정밀하고 편집 가능한 매개변수형 모델링 파이프라인 구축에 기여하며, 향후 다양한 이미지-투-CAD 및 대화형 디자인 시스템의 기반 기술로 활용될 것으로 기대됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.