야생 환경에서의 제로샷 확장 가능 형상 매칭을 위한 기하학 기반 관절 분절 및 테스트 시점 적응
Geometry-Grounded Articulation and Test-Time Adaptation for Zero-Shot, Scalable Shape Matching in the Wild
야생 환경(in-the-wild)의 3D 스캔에서 조밀한 대응(dense correspondence)을 도출하려면 극심한 비등거리 변형, 부분적 관측, 위상 왜곡(topology artifacts), 불규칙한 이산화, 극한의 해상도를 다룰 수 있어야 합니다. 이러한 조건들은 형상 매칭을 견고성(robustness)과 확장성(scalability) 모두의 문제로 만듭니다. 기존 방법들은 일반적으로 이러한 조건의 일부만을 다루며, 비용이 많이 드는 스펙트럼 처리 또는 조밀한 특징(dense feature) 처리, 반복적인 쌍별 최적화(pairwise optimization), 또는 데이터셋별 학습(training)을 요구하는 경우가 많습니다. 이러한 문제를 해결하기 위해, 우리는 기하학 기반 관절 분절(Geometry-Grounded Articulation)을 기반으로 하는 제로샷(zero-shot) 프레임워크인 GAMMA를 제안합니다. 각 스캔에 대해 GAMMA는 여러 시점을 렌더링하고, 범주별 매개변수 모델(parametric model)과 함께 사전학습된 추정기를 사용하여 시점당 하나의 템플릿 추정치를 생성합니다. 이러한 추정치들은 고정된 정점(vertex) 순서를 공유하므로, 신뢰도 가중 합의(confidence-weighted consensus)를 통해 이를 하나의 표준(canonical) 템플릿으로 융합하고 스캔 간의 희소 매칭(sparse matches)을 설정합니다. 이후 입력 기하학 상에서 이러한 매칭을 정제하여 정확하고 조밀한 대응을 복원합니다. 모든 핵심 매칭 단계는 추론(inference) 시점에 실행되며, 타깃 데이터셋에 대한 대응 학습이나 입력 스캔에 대한 비용이 큰 라플라스-벨트라미 연산자(LBO) 계산을 필요로 하지 않습니다. 융합된 각 템플릿은 캐시되므로, 추가적인 쌍 쿼리는 해당 표준화를 재사용합니다. GAMMA는 TOPKIDS에서 2.9, 리메싱된 SMAL에서 2.4의 평균 측지 오차(geodesic error)를 달성하여, URSSM 대비 오차를 각각 67% 및 60% 줄였습니다. 상호 보완적인 평가에서는 BeCoS로 처리된 부분 서브셋에 대해 평가된 베이스라인들보다 더 낮은 총괄 오차를 보고하며, 데시메이션된 FAUST 메시부터 160k~200k개의 정점을 갖는 원본 스캔에 이르기까지 안정적인 매칭 정확도를 입증합니다. 이러한 결과는 상호 보완적인 환경 전반에서의 정확한 대응과 형상별 캐싱 이후의 컬렉션 수준 확장성을 입증합니다.