--- title: "이미지 한 장으로 수정 가능한 3D CAD 프로그램까지 생성하는 젠캐드" published: 2026-05-17T21:40:35.000Z canonical: https://jeff.news/article/2833 --- # 이미지 한 장으로 수정 가능한 3D CAD 프로그램까지 생성하는 젠캐드 젠캐드는 이미지를 조건으로 3D CAD 형상뿐 아니라 파라메트릭 CAD 명령 이력과 CAD 프로그램까지 생성하는 모델임. 메시나 포인트 클라우드처럼 수정이 어려운 표현 대신, 실제 엔지니어링 작업에 필요한 CAD 명령 시퀀스를 만들어 제조와 설계 탐색에 더 유용한 결과를 노림. - 젠캐드는 이미지 한 장을 보고 3D CAD를 생성하는 모델임 - 여기까지만 들으면 흔한 3D 생성 모델처럼 보이지만, 핵심은 결과 형상만 뽑는 게 아니라 전체 파라메트릭 CAD 명령 이력까지 만든다는 점임 - 즉 ‘예쁜 3D 덩어리’가 아니라, CAD 프로그램으로 다시 열고 수정할 수 있는 구조를 목표로 함 - 기존 3D 생성 접근이 엔지니어링에 애매했던 이유는 표현 방식 때문임 - CAD의 경계 표현인 B-rep은 면, 모서리, 꼭짓점의 관계까지 다뤄야 해서 데이터 구조가 복잡하고 모델 학습도 어려움 - 그래서 많은 접근이 메시, 복셀, 포인트 클라우드 같은 표현으로 우회했음 - 문제는 이런 표현은 정확도와 수정 가능성이 떨어져 제조, 설계 변경, 설계 공간 탐색에는 한계가 큼 > [!IMPORTANT] > 젠캐드의 포인트는 3D 형상 생성이 아니라 ‘수정 가능한 CAD 프로그램 생성’임. 엔지니어링에서는 이 차이가 꽤 큼. - 젠캐드는 이미지를 조건으로 CAD 명령 시퀀스를 생성하는 쪽을 택함 - 생성된 명령 시퀀스는 지오메트리 커널을 통해 3D 솔리드 모델로 변환될 수 있음 - 설계자는 결과물을 단순 모델 파일이 아니라 명령 이력이 있는 CAD 데이터처럼 다룰 수 있음 - 아키텍처는 네 단계로 구성됨 - 먼저 자기회귀 트랜스포머 인코더로 CAD 명령 시퀀스의 잠재 표현을 학습함 - 그다음 대조 학습 기반 모델로 CAD 명령 시퀀스와 CAD 이미지의 잠재공간을 맞춤 - 이후 잠재 확산 모델이 CAD 이미지를 조건으로 CAD 명령 시퀀스의 잠재 표현을 생성함 - 마지막으로 디코더가 이 잠재 표현을 파라메트릭 CAD 명령 시퀀스로 변환함 ```mermaid sequenceDiagram participant CAD_이미지 participant 표현_학습 participant 잠재_확산_모델 participant 디코더 participant CAD_프로그램 CAD_이미지->>표현_학습: 이미지 잠재 표현 추출 표현_학습->>잠재_확산_모델: CAD 명령 잠재공간과 정렬 잠재_확산_모델->>잠재_확산_모델: 이미지 조건으로 명령 잠재 표현 생성 잠재_확산_모델->>디코더: 생성된 CAD 잠재 표현 전달 디코더->>CAD_프로그램: 파라메트릭 명령 시퀀스 출력 CAD_프로그램->>CAD_프로그램: 지오메트리 커널로 3D 솔리드 변환 ``` - 이 방향이 중요한 이유는 자동 설계의 활용 범위를 넓히기 때문임 - 제조나 기계 설계에서는 한 번에 완성본을 뽑는 것보다, 사람이 치수와 구조를 계속 바꿔가며 탐색하는 과정이 중요함 - CAD 명령 이력이 있으면 결과물을 다시 편집하고, 설계 의도를 보존하고, 다른 조건에 맞춰 변형하기 쉬움 --- ## 기술 맥락 - 젠캐드가 메시나 포인트 클라우드 대신 CAD 명령 시퀀스를 고른 이유는 수정 가능성 때문이에요. 겉모양만 맞는 3D 모델은 보기에는 좋아도, 실제 설계자가 치수를 바꾸거나 제조 조건에 맞게 고치기 어렵거든요. - B-rep을 직접 다루기 어려운 것도 중요한 배경이에요. CAD 데이터는 단순한 픽셀이나 삼각형 모음이 아니라 면과 모서리의 관계, 생성 순서, 치수 제약이 얽혀 있어서 학습 데이터로 쓰기 까다로워요. - 그래서 젠캐드는 중간에 잠재공간을 둬요. CAD 명령 시퀀스를 트랜스포머로 압축해 표현하고, 이미지는 대조 학습으로 그 공간에 맞춘 뒤, 확산 모델이 이미지 조건에 맞는 CAD 잠재 표현을 만들어내는 식이에요. - 이 선택의 장점은 생성 결과가 지오메트리 커널을 통해 실제 3D 솔리드로 변환될 수 있다는 점이에요. 제조나 설계 탐색에서는 “생성됐다”보다 “기존 CAD 워크플로에 들어갈 수 있느냐”가 더 중요하거든요. - 결국 젠캐드는 이미지 기반 3D 생성과 엔지니어링 CAD 사이의 간격을 줄이려는 시도예요. 자동화가 설계 현장에 들어가려면 예쁜 결과보다 편집 가능한 설계 이력이 필요하다는 문제의식이 깔려 있어요. ## 핵심 포인트 - 젠캐드는 이미지 기반 생성 모델이지만 최종 3D 형상만 만들지 않고 전체 CAD 명령 이력을 출력함 - B-rep 같은 CAD 데이터 구조는 복잡해 학습이 어렵기 때문에, 기존 접근은 메시·복셀·포인트 클라우드로 타협하는 경우가 많았음 - 모델은 CAD 명령 시퀀스 표현 학습, 이미지와 명령 잠재공간 정렬, 잠재 확산 생성, 명령 디코딩의 네 단계 구조를 사용함 ## 인사이트 3D 생성형 AI에서 ‘그럴듯한 모양’과 ‘엔지니어가 수정 가능한 설계 데이터’는 완전히 다른 문제임. 젠캐드는 후자를 건드린다는 점에서 제조·기계 설계 쪽 자동화에 꽤 중요한 방향을 보여줌.