Brep2Shape: 자기 지도 학습 기반 트랜스포머를 활용한 경계 및 형상 표현 정렬

Brep2Shape: Boundary and Shape Representation Alignment via Self-Supervised Transformers

경계 표현(B-rep)은 컴퓨터 지원 설계(CAD) 분야의 표준 모델입니다. 딥러닝은 B-rep 모델 처리에 유망한 기술이지만, 기존 방법들은 표현 격차라는 문제를 가지고 있습니다. 연속적인 접근 방식은 분석적인 정확성을 제공하지만 시각적으로 추상적이며, 이산적인 방법은 직관적인 명확성을 제공하지만 기하학적인 정확성은 부족합니다. 이러한 격차를 해소하기 위해, 본 연구에서는 추상적인 경계 표현과 직관적인 형상 표현을 정렬하도록 설계된 새로운 자기 지도 학습 기반 사전 훈련 방법인 Brep2Shape를 소개합니다. 본 방법은 모델이 매개변수 베지어 제어점에서 밀집된 공간 점을 예측하도록 학습하는 기하학적인 작업을 사용하며, 이를 통해 모델이 추상적인 계수로 파생된 물리적인 다양체를 더 잘 이해할 수 있도록 합니다. 이러한 정렬을 강화하기 위해, 표면 및 곡선 토큰의 고유한 기하학적 특성을 캡처하기 위해 병렬 스트림을 갖는 이중 트랜스포머 구조를 제안합니다. 또한, 표면과 곡선 간의 상호 의존성을 모델링하여 위상적 일관성을 유지하기 위해 위상 주의(topology attention)를 통합했습니다. 실험 결과는 Brep2Shape가 상당한 확장성을 제공하며, 다양한 하위 작업에서 최첨단 정확도와 빠른 수렴 속도를 달성함을 보여줍니다.

Boundary representation (B-rep) is the industry standard for computer-aided design (CAD). While deep learning shows promise in processing B-rep models, existing methods suffer from a representation gap: continuous approaches offer analytical precision but are visually abstract, whereas discrete methods provide intuitive clarity at the expense of geometric precision. To bridge this gap, we introduce Brep2Shape, a novel self-supervised pre-training method designed to align abstract boundary representations with intuitive shape representations. Our method employs a geometry-aware task where the model learns to predict dense spatial points from parametric Bézier control points, enabling the network to better understand physical manifolds derived from abstract coefficients. To enhance this alignment, we propose a Dual Transformer backbone with parallel streams that independently encode surface and curve tokens to capture their distinct geometric properties. Moreover, the topology attention is integrated to model the interdependencies between surfaces and curves, thereby maintaining topological consistency. Experimental results demonstrate that Brep2Shape offers significant scalability, achieving state-of-the-art accuracy and faster convergence across various downstream tasks.