사례 연구 · 컴퓨테이셔널 디자인 · KSDS 2026
자동화된 제품 형태 분석에서의 다시점 일관성
데이터 기반 디자인에는 제품 형상을 정량적으로 나타내는 기술자가 필요합니다. 이 연구는 기업 내부 자료라 구하기 어려운 3D CAD 대신, 16장의 표준 렌더링 이미지를 입력으로 쓸 수 있는지 검증합니다.
분석한 7개 제품 중 하나. 각 제품을 턴테이블 위에서 360° 회전시키며 렌더링했습니다.
프로젝트 정보
D. Sarfraz, K. Kim(UNIST)
KSDS 2026 국제학술대회
Python(OpenCV, scikit-image), Hugging Face Transformers 기반 Depth-Anything-V2-Small
길쭉함, 대칭성, 윤곽의 불규칙성, 겉보기 부품 수를 나타내는 간결한 벡터가 있으면 경쟁 제품 비교, 디자인 변화 추적, 그리고 지각된 품질 같은 판단과 형태를 연결하는 일이 가능해집니다. 이상적인 입력은 CAD이지만 실제로 구할 수 있는 경우는 드뭅니다. 반면 제품 이미지는 쉽게 구할 수 있고, 전문가가 평가하는 대상도 바로 이 이미지입니다.
배경
실루엣과 깊이 정보로 23개의 형태 파라미터를 도출
각 이미지를 실루엣 마스크와 깊이 맵으로 분해한 뒤, 이미 정립된 23개 형태 파라미터로 요약합니다. 파라미터 자체는 새롭지 않습니다. 이 연구의 기여는 소수의 이미지에서 23개 모두를 자동으로 추출한다는 점입니다.
-
1
실루엣 마스크
알파 채널에서 얻거나, 휘도 임계값 처리 후 가장 큰 윤곽을 채워 생성합니다.
-
2
단안 깊이 추정
Depth-Anything-V2-Small이 한 장의 RGB 이미지에서 깊이를 추정하고, 마스크 안에서 정규화합니다.
-
3
23개 파라미터
대칭성, 비례, 곡률, 시각적 복잡도, 볼록성, 균형, 기본 도형 적합도. 15개는 마스크만 사용하고, 8개는 깊이 정보도 함께 활용합니다.
평가 프로토콜. 7개 제품을 각각 턴테이블 위에서 360° 회전시키며 16개 시점(22.5°마다)과 180개 시점(2°마다)의 두 세트로 렌더링했습니다. 대상은 Lemmy, Sony PSP-1000, Teenage Engineering TP-7, 게임 컨트롤러, Nokia 휴대폰, Marshall 스피커, Canon 렌즈입니다. 각 파라미터의 일관성은 1 − |v₁₆ − v₁₈₀| / |v₁₈₀|로 계산하고, 제품 전체에 걸쳐 평균했습니다.
16개 시점으로 23개 파라미터 중 20개에서 180개 시점의 결과를 재현
높은 일관성(90% 이상). 솔리디티(99.9%), 무게중심 균형, 직사각형도, 기본 도형 적합도(99.8%), 볼록성 지수(99.7%), 대칭성(99.6%)이 상위를 차지했습니다.
중간(80–90%). 서브밴드 엔트로피(83.4%)와 축 개수(80.4%). 원래 값의 스케일이 작거나 정수 임계값을 쓰기 때문에 민감한 지표입니다.
낮음(80% 미만). 오목부 기반 부품 수(76.3%)는 임계값에 민감해, 오목한 부분이 거의 없는 제품에서는 정확도가 떨어집니다.
빠른 처리 속도로 데이터셋 규모의 형태 분석이 가능
23개 파라미터 프로파일은 16장의 렌더링 이미지로 몇 초 만에 계산됩니다. 이런 이미지는 제품 카탈로그에 이미 포함된 경우가 많습니다. 수백, 수천 개의 제품에 적용하면 형태 파라미터를 전문가 평가와 짝지어 학습 모델에 필요한 데이터셋을 구축할 수 있습니다.
범위와 한계
표본은 7개 제품이며, 피치 변화 없이 하나의 축을 중심으로 회전시켰습니다. 정수 카운트형 파라미터는 다른 파라미터와 함께 보고하려면 리스케일링이 필요합니다. 이 연구가 입증한 것은 시점 수에 따른 안정성이며, 기하학적 정확도는 아닙니다. 벡터를 전문가 평가와 연결하는 것이 다음 검증 과제입니다.
