CADENA: Stepwise CAD Reverse Engineering

Computer-Aided Design (CAD) underpins modern engineering, yet converting existing shapes into editable models still demands substantial expert effort. Most AI systems emit the entire CAD program in a single pass, never inspecting the intermediate geometry. In contrast, human engineers build a part feature by feature, checking after each operation what remains to be modeled. We introduce CADENA (Spanish for "chain"), a model that reconstructs a 3D mesh as a parametric CAD program, growing its sequence of operations one at a time and comparing the target with the currently predicted geometry at every step. We also address the lack of benchmarks for evaluating reverse-engineering methods on mechanical parts, introducing CADENA-Bench, a benchmark that measures performance across categories of mechanical parts. CADENA outperforms prior methods on CADENA-Bench and on the DeepCAD, Fusion 360, and MCB datasets. Code is available at https://github.com/zhemdi/cadena, model weights at https://huggingface.co/kulibinai/cadena, and CADENA-Bench at https://huggingface.co/datasets/kulibinai/cadena-bench.

한 줄 요약

CADENA는 3D 메시지를 단계별로 파라메트릭 CAD 프로그램으로 재구성하는 모델로, 기존 방법 대비 정확도를 향상시킨다.

핵심 기여도

CADENA는 단계별로 CAD 프로그램을 생성하며, 각 단계에서 생성된 기하와 목표 기하를 비교함.
CADENA-Bench라는 새로운 벤치마크를 제시하여 기계 부품의 역설계 성능을 평가함.
GMS(Geometric Match Score)라는 표면 일치 지표를 도입하여 기존 볼륨 기반 평가의 한계를 보완함.
DeepCAD, Fusion 360, MCB, BenchCAD, CADENA-Bench 데이터셋에서 기존 방법 대비 최고 성능을 달성함.

핵심 아이디어

CADENA는 기존 AI 기반 CAD 역설계 시스템이 전체 프로그램을 한 번에 생성하고 중간 기하를 점검하지 않는 문제를 해결하기 위해, 단계별 생성과 기하 피드백을 도입함. 이는 인간 엔지니어가 부품을 하나씩 생성하며 점검하는 방식을 모방한 것이다. 모델은 매 단계에서 생성된 기하를 실행하고, 목표 기하와 비교하여 다음 작업을 결정함. 이는 기존 시스템이 이전 작업의 결과 없이 다음 작업을 결정하는 방식과 대조된다.

CADENA는 기하 피드백을 기반으로 학습하며, 감독 학습과 온라인 강화 학습을 결합함. 강화 학습은 실행된 기하에 대한 보상을 기반으로 모델을 최적화함. 이는 기하 정확도를 향상시키고, 무효한 작업을 줄이는 데 기여함.

기술적 접근법

CADENA는 단계별 생성 방식을 채택하며, 매 단계에서 하나의 CAD 연산을 생성하고 실행함.
학습은 감독 학습과 강화 학습을 결합: 감독 학습으로 초기 훈련 후, 강화 학습으로 실행된 기하에 대한 보상을 기반으로 정제함.
입력은 3D 메시지이며, 출력은 파라메트릭 CAD 프로그램.
CADENA-Bench는 DeepCAD, Fusion 360, MCB 데이터셋에서 중복 및 단순 부품을 제거한 3,396개의 실제 기계 부품으로 구성됨.
평가 지표는 GMS(Geometric Match Score)로, 표면 유형 일치를 기준으로 정의됨.

주요 결과

CADENA는 DeepCAD, Fusion 360, MCB, BenchCAD, CADENA-Bench 데이터셋에서 기존 방법 대비 최고 성능을 달성함.
CADENA-Bench에서 GMS 점수가 기존 방법 대비 +10% 이상 향상됨.
강화 학습을 적용한 경우, 재구성 정확도는 향상되고, 무효 작업 비율은 감소함.
기하 복잡도가 높을수록 단계별 생성 방식의 이점이 커짐.

의의 및 한계

CADENA는 기존 AI 기반 CAD 역설계 시스템의 단점을 보완하고, 실제 기계 부품의 정확한 재구성을 가능하게 함. GMS 지표와 CADENA-Bench는 기존 평가 체계의 한계를 보완하며, 연구자들이 다양한 부품 유형에서 모델의 적용 가능성을 평가할 수 있도록 지원함.

하지만, CADENA는 복잡한 기하 구조를 다룰수록 계산 비용이 증가하며, 단계별 생성 방식은 실행 시간이 기존 방법보다 오래 걸릴 수 있음. 또한, CADENA-Bench는 여전히 실제 산업 부품의 다변성에 비해 제한적일 수 있음.

실용적 활용

CADENA는 3D 스캔 데이터를 편집 가능한 CAD 모델로 변환하는 데 활용 가능하며, 제품 설계, 제조, 리버스 엔지니어링 분야에서 유용함. 특히, 노이즈가 많은 스캔 데이터를 기반으로 이상화된 기하를 재구성할 수 있어, 정밀 제조 및 디자인 수정 작업에 적합함.