본 논문은 변형 형상 집합의 기저 연속 형상 공간을 학습하기 위한 잠재 확산 모델인 ARAPDiffusion을 제안한다. 핵심 혁신은 가능한 한 강체적(as-rigid-as-possible, ARAP) 변형 모델을 잠재 확산(LD)에 정규화 손실로 주입하여, 생성 모델 학습에 풍부한 3D 학습 데이터가 필요하다는 요구를 완화하는 데 있다. 표준 LD와 달리, ARAP 모델이 인코더/디코더와 LD 모델 모두를 개선하는 데 어떻게 활용될 수 있는지 보여준다. 학습 절차는 LD 모델이 정의한 합성 분포를 이용해 형상 인코더/디코더를 향상시키는 정규화 손실을 구성하는 단계와, 형상 디코더를 이용해 LD 모델을 개선하는 정규화 손실을 구성하는 단계를 교차한다. 또한 표현에 구애받지 않는 LD 과정과 비정렬(unorganized) 포인트 클라우드에 적용 가능한 암시적 형상 디코더를 결합하는 LD 패러다임의 이점을 보여준다. 비조건부 및 조건부 형상 생성 실험 결과는 ARAPDiffusion이 기준선 접근법 대비 갖는 장점을 입증한다.
본 논문에서는 코너 시점에서 6자유도(6-DoF) 파지 자세 추정의 강인성을 향상시키는 교차 시점 융합 프레임워크를 제안한다. 제안된 프레임워크는 보조 시점을 통합하여 폐색 문제를 완화하고, 사후 융합(post-fusion) 전략을 통해 시간이 많이 소요되는 태스크 비특화 다중 시점 재구성을 피한다. 교차 시점 융합을 강화하기 위해, 교차 시점 연관성을 활용하여 포인트 클라우드 특징을 정규화하는 자기지도 대조 학습(self-supervised contrastive learning) 전략을 제안한다. 구체적으로, 두 포인트가 동일한 3D 위치에 대응하면 교차 시점 포인트 쌍을 매칭으로, 서로 다른 파지 방향을 나타내면 비매칭으로 정의한다. 이 학습 전략은 포인트 특징의 공간적 일관성과 방향 변별성을 크게 향상시켜 교차 시점 융합을 촉진하고 추정 강인성을 개선한다. 아울러, 파지 관련 기하학 정보를 포괄적인 표현으로 융합하는 교차 시점 정렬 원통형 통합 모듈(cross-view-aligned cylinder integration module)을 제안한다. 구체적으로, 이 모듈은 먼저 유사도에 따라 교차 시점 포인트와 특징을 정렬하여 노이즈에 대한 강인성을 높인다. 이후 해당 포인트들을 원통 좌표계에 등록하여 파지에 중요한 회전 대칭 기하학 정보를 강조한다. 마지막으로, 로컬 자기 어텐션(self-attention)과 시드 교차 어텐션(cross-attention) 레이어를 교대로 적용하여 단일 시점 내부 및 시점 간 상호작용을 각각 지원함으로써 파지 관련 기하학의 세밀한 표현을 가능하게 한다. 제안된 프레임워크는 GraspNet-1Billion 벤치마크와 실제 환경 적용에서 우수한 성능을 달성한다. 코드는 https://github.com/KJZhuAutomatic/Cross-view-Grasp 에서 확인할 수 있다.