Render to BIM — 생성형 렌더링 기반 BIM 저작

기존 렌더링은 이미 모델링된 정보를 이미지로 표현합니다. 반면 생성형 렌더링은 모델에 없는 가구와 공간 구성을 먼저 이미지로 제안합니다. 제안된 설계를 수량 산출이나 동선 검토에 활용하려면 가구를 식별하고 3D 형상으로 복원한 뒤 원본 모델의 좌표에 맞춰 배치해야 합니다.

첫째, 가구가 없는 BIM 뷰와 카메라 정보, 깊이 맵을 저장하고 생성형 렌더링으로 대안을 탐색합니다. 둘째, 선택한 이미지의 객체를 인스턴스별로 분리해 메쉬로 복원합니다. 셋째, 원본 BIM에 맞춰 깊이를 보정하고 객체별 배치 후보를 평가해 IFC로 내보냅니다.

연구는 객체만 잘라 입력하는 Hunyuan3D-2.1과, 전체 장면 및 객체 마스크를 입력할 수 있는 SAM 3D Objects를 비교합니다. 단일 이미지에서 보이지 않는 부분을 추론해야 하므로, 특히 가림과 화면 밖으로 잘린 형상이 복원에 영향을 줍니다. SAM 3D Objects에는 객체 크롭만 입력하는 조건도 두어 모델 차이와 장면 문맥의 효과를 구분합니다.

선택한 렌더링의 단안 깊이를 MoGe-2로 추정하고, 원본 BIM의 벽, 바닥 등 건축 요소와 대응하는 픽셀을 기준으로 미터 단위 깊이에 맞춥니다. 전역 스케일, 이동 보정과 단조 구간선형 보정을 비교하고, 별도로 남겨 둔 검증 픽셀에서 오차가 줄어드는 보정을 선택합니다. 보정된 깊이는 저장한 카메라를 통해 BIM 좌표계의 가시 표면 점으로 변환됩니다.

배치 후보는 가시 표면 점에 상자를 맞추는 Depth OBB, 복원 모델이 추정한 자세를 활용하는 재구성 자세, 메쉬를 렌더링해 관측과 비교하는 FoundationPose의 세 방식입니다. 보정된 깊이를 설명하는 정도와 빈 공간 침범을 평가해 후보를 선택합니다. 선택된 메쉬는 비율을 유지하며 배치 상자에 맞춰지고, 출처 뷰, 추정 방식, 일관성 점수를 가진 IfcFurnishingElement로 기록됩니다.

초안의 Table 6에 보고된 SAM 3D Objects의 장면+마스크 조건은 렌더러별 형상 F-score@5cm 중앙값 0.77–0.84를 보였습니다. Table 7에서 추정 깊이를 사용하는 Depth OBB의 [email protected]는 43.4–59.6%였고, 원본 모델의 깊이로 대체하면 78.8%였습니다. 두 지표는 각각 정렬 후 형상 복원과 모델 좌표계에서의 배치를 평가하며, 동일한 정확도로 해석할 수 없습니다. 해당 표는 렌더러당 99개 객체를 보고하지만 데이터셋 표에는 미완성 값이 남아 있어 최종 표본 규모는 확정하지 않았습니다.

이 프레임워크는 이미지에서 완성된 BIM을 자동 생성하는 도구라기보다, 설계자가 검토하고 수정할 수 있는 초기 BIM 표현을 만드는 접근입니다. 실험은 정답 객체 마스크와 기존 가구 장면의 스타일 변환을 사용했으므로 자동 분할 오류나 빈 공간에 자유롭게 가구를 생성하는 조건은 검증하지 않았습니다. 수직 배치 상자로 표현하기 어려운 기울어진 객체, 벽 부착 객체, 가려진 형상, 생성 이미지의 깊이 오차도 남은 과제입니다.