전처리·표현 계약
1. 후보 크기와 선택
총 50개 후보를 AC28·ME1a에서 측정했습니다. 이미지에는 2048 실제 래스터를 참조로 쓰며 10 mm 약한 anchor 길이의 최소 5픽셀과 IoU 0.975 게이트를 적용합니다. 모든 점수는 기하·비용 결정용이며 모델 정확도가 아닙니다.
| 표현 | 후보 (점수) | 선택 | 측정 근거 |
|---|---|---|---|
| Image | 64 (65.94), 128 (64.22), 256 (69.46), 512 (82.50), 1,024 (81.25), 2,048 (80.62) | 512 | 2048-reference view IoU 0.9788; 1.918 mm/pixel; 10 mm span ≈ 5.2 pixels |
| Voxel | 32 (71.20), 64 (87.07), 128 (82.50), 256 (80.88), 512 (80.31), 1,024 (80.11) | 64 | worst occupied-center P95 10.43 mm; pitch 15 mm |
| Graph | 3,000 (77.90), 5,000 (95.05), 6,000 (93.74), 12,000 (89.71), 24,000 (86.87), 48,000 (84.86), 96,000 (83.44) | 5,000 CAD 입력 | worst surface P95 0.3277 mm; view IoU 0.9929 |
| Point | 2,048 (62.49), 4,096 (76.95), 8,192 (90.00), 16,384 (87.07), 32,768 (85.00), 65,536 (83.54) | 8,192 | worst CAD-node coverage P95 7.74 mm |
2. 각 표현·각 크기의 실제 입력 샘플
아래 50개 PNG는 AC28과 ME1a의 저장된 후보 NPZ를 직접 렌더링했습니다. 512–2048 후보 NPZ는 실제 삼각형 래스터의 깊이·가시성 진단이며, 선택된 512의 17채널 전체 텐서는 standardized/에 별도로 저장했습니다. 각 이미지에는 해당 크기 입력의 실제 형상·밀도가 표시됩니다. 점수는 두 부품 중 최악 조건을 기준으로 산출한 표현 선택 점수이며 모델 정확도가 아닙니다.
이미지 · 6개 직교 깊이 뷰, 980 mm 공통 시야
복셀 · 표면 점유의 X–Z, X–Y, Y–Z 투영
그래프 · 실제 노드·간선 형상과 최근접 노드 간격
점군 · CAD 표면 샘플과 최근접 점 간격
재생성 코드: render_candidate_samples.py · 후보 목록: 전체 샘플 갤러리
3. 표현별 방법과 해석 한계
| 표현 | 구성 | 확인된 성질 | 해석 시 유의점 |
|---|---|---|---|
| 이미지 | 공통 980 mm FOV의 6개 직교 뷰, 512², 채널 마스크·삼각형 ID·barycentric 좌표 | 512 전체 채널 입력 생성 및 2048 참조 IoU 최악 0.9788 | 곡률은 보이는 픽셀의 6.7–38.2%에서만 해석 가능하며, 알 수 없음은 마스크됨 |
| 복셀 | 중심 정렬 64×8×40, 등방 15 mm, surface-only occupancy | 거친 형상 문맥으로 게이트 통과 | 비수밀 소스의 표면 셀이다. 고체 점유, 두께, 응력장이 아니다 |
| 그래프 | CAD 표면 단순화 및 인접관계, 실제 노드는 요구치와 다름 | 원 CAD의 5k 실제 노드: AC28 4,920, ME1a 5,132 | 문맥 입력과 약한 위치결정 출력의 요구 해상도가 다름 |
| 점군 | 결정론적 면적 균일 CAD 표면점 8,192개; 스캔은 별도 진단 표현 | 후보 중 P95 coverage 게이트 통과 | 스캔 점군은 native frame 진단용이고 CAD 모델의 전처리 입력으로 합치지 않음 |
AC28의 원 테셀레이션은 고유 정점 332,479개, 삼각형 663,715개입니다. ‘5,000’은 정확한 정점 수가 아니라 고정 요청 단순화 예산이며, 실제 노드는 AC28 4,920·ME1a 5,132입니다. graph message passing은 공유 feature schema를 통해 이처럼 가변 노드 수를 처리합니다. 이미지·복셀·점군은 고정 tensor 크기입니다. 참고로 12k 그래프는 AC28에서 실제 11,956 노드이며 source→graph P95 0.075 mm, 5k 후보의 측정값은 0.328 mm입니다. 이들은 20,000개 결정론적 면적 균일 표면 샘플로 계산한 근사 오차이며 정확한 Hausdorff bound가 아닙니다.
4. 5k CAD 입력과 12k 위험출력의 분리
| Run | 개별 5k AP / IoU | 개별 12k AP / IoU | 약한 라벨 전달 IoU |
|---|---|---|---|
| AC28 16h | 0.3298 / 0.0000 | 0.3849 / 0.2000 | 5k 0.2667 → 12k 1.0000 |
| AC28 18h01 | 0.0380 / 0.0345 | 0.4455 / 0.1364 | 5k 0.0345 → 12k 1.0000 |
| ME1a 14h06 | 0.0685 / 0.0547 | 0.6292 / 0.4762 | 5k 0.1750 → 12k 1.0000 |
이 표는 현 하드 약한 라벨 GNN의 same-run 진단입니다. ME1a의 큰 차이는 5k가 현 작은 위험영역 위치결정에 충분하지 않다는 직접 증거입니다. 12k의 1.0은 라벨을 같은 해상도에서 비교한 전달값이지 관측 정확도가 아닙니다.
5k로 12k의 ME1a IoU 0.4762를 낼 수 있나?
현재 평가에서는 12k 기준의 각 노드가 가장 가까운 거친 그래프 노드의 예측값 하나를 받습니다. 그 고정된 투영에서 거친 노드의 이진 예측을 어떻게 고르든 AP 확률 순위와 IoU 이진 마스크를 각각 최적으로 골랐을 때의 상한은 아래와 같습니다. 이는 학습 점수가 아니라 표현 가능한 최고값입니다.
| 요청 노드 | 실제 노드 | 최대 AP | 최대 IoU | 최대 Dice | IoU 상한의 TP / FP / FN |
|---|---|---|---|---|---|
| 3k | 3,083 | 0.4089 | 0.2759 | 0.4324 | 8 / 16 / 5 |
| 5k | 5,132 | 0.6261 | 0.4583 | 0.6286 | 11 / 11 / 2 |
| 6k | 6,155 | 0.7294 | 0.4783 | 0.6471 | 11 / 10 / 2 |
| 12k | 12,324 | 1.0000 | 1.0000 | 1.0000 | 13 / 0 / 0 |
따라서 현재 5k 그래프와 최근접 노드 투영으로는 12k 학습 모델의 AP 0.6292 / IoU 0.4762 / Dice 0.6452를 정확히 재현할 수 없습니다(5k 상한 0.6261 / 0.4583 / 0.6286). 실제 5k 학습 AP 0.0685 / IoU 0.0547은 그 상한보다 훨씬 낮으므로 최적화 문제도 있습니다. 6k의 상한 0.4783은 수학적 가능성일 뿐 6k 모델 학습 결과가 아닙니다. 노드 배치를 바꾸거나 학습된 업샘플링 decoder를 쓰면 이 상한이 달라질 수 있습니다.
5. 검사, 코드 및 산출물
확장 크기별 실제 수치·방법은 50개 후보 결정 보고서에서 확인할 수 있습니다. 확장 크기별 실제 수치·방법은 50개 후보 결정 보고서에서 확인할 수 있습니다. 선정 NPZ는 standardized/에, 후보 파일은 candidates/에 있습니다. 생성과 검사 진입점은 build.py, validate_standardized.py이며, 수치 원표는 decision_scores.csv, measurements.csv, gnn_5000_vs_12000.csv입니다.
512 이미지와 64 복셀 선택 입력은 shape/finite 검사를 통과했습니다. 다만 기존 CNN/복셀 체크포인트는 128 이미지와 32 복셀에 학습된 이력입니다. 선택 크기에서 재학습과 독립 검증 전에는 선택 크기 모델의 정확도를 주장할 수 없습니다.