CAD 프로그램은 정확한 3D 기하 구조로 컴파일되는 파라미터 기반 명령어 시퀀스로 구성되며, 정밀하고 효율적인 공학 설계 과정의 핵심 요소이다. 포인트 클라우드나 메시와 같은 비파라미터 데이터로부터 이러한 CAD 프로그램을 생성하는 것은 여전히 중요한 과제이지만, 대규모 수동 개입이 요구되는 도전적인 작업이다. 현재의 딥 생성 모델 중 CAD 생성 자동화를 목표로 한 연구들은 특히 복잡한 CAD 프로그램을 충분히 반영하지 못한 불균형하고 규모가 부족한 데이터셋으로 인해 상당한 한계에 직면해 있다. 이를 해결하기 위해 우리는 CAD와 기하 인코더 간의 잠재 표현을 정렬하기 위해 대조 학습(contrastive learning)을 활용하는 다중 모달 생성 프레임워크인 GenCAD-3D를 제안한다. 이 프레임워크는 CAD 시퀀스 생성 및 검색을 위해 잠재 확산 모델(latent diffusion models)을 통합하고 있다. 또한, 복잡한 CAD 기하 구조의 표현을 특히 향상시키기 위해 설계된 합성 데이터 증강 전략인 SynthBal을 제시한다. 실험 결과, SynthBal은 재구성 정확도를 크게 향상시키고, 유효하지 않은 CAD 모델 생성을 줄이며, 고복잡도 기하 구조에 대한 성능을 현저히 개선함으로써 기존 벤치마크를 초월함을 입증하였다. 이러한 기술적 진보는 역설계 프로세스의 간소화와 공학 설계 자동화의 향상에 중요한 의미를 지닌다. 본 연구에서 개발한 데이터셋 및 소스 코드는 프로젝트 웹사이트를 통해 공개될 예정이며, 이에는 51개의 3D 프린팅 및 레이저 스캔된 부품 데이터가 포함된다.