PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.06218v2cs.CV

스켈레톤 생성을 위한 브랜치 중심 토큰화 및 테스트 시점 증강

Branch-Centric Tokenization and Test-Time Augmentation for Skeleton Generation

자동 스켈레톤(skeleton) 생성은 관절 위치와 뼈대 연결성을 모두 예측하는 작업을 포함합니다. 그러나 기존 접근 방식들은 브랜치 구조를 토큰(token) 시퀀스로 인코딩하는 데 어려움을 겪으며, 테스트 시점 연산(test-time computation)을 효과적으로 활용하지 못합니다. 본 연구에서는 통합된 자기회귀(autoregressive) 프레임워크 내에서 이러한 선택지들을 탐구합니다. 먼저, 구조적으로 연관된 요소를 서로 인접하게 배치하고 시퀀스 내에 연결성을 직접 인코딩하는 브랜치 인식 표현 방식인 브랜치 중심 토큰화(branch-centric tokenization)를 도입합니다. 표준 너비 우선 탐색(BFS) 방식의 직렬화와 비교하여, 이 표현 방식은 더 간결한 시퀀스를 생성합니다. 둘째로, 입력 메시에 축 정렬 회전을 적용하고 모든 예측 결과를 공통 좌표계로 역매핑한 뒤, 메시 커버리지 및 여러 시점 간 예측의 일관성을 기반으로 최종 스켈레톤을 선택하는 테스트 시점 증강 절차인 뷰 증강 생성(view-augmented generation)을 도입합니다. 실험 결과는 본 방법이 최고 수준(SOTA)의 방법들보다 더 우수한 스켈레톤 예측 정확도를 달성함을 보여줍니다. 특히, 본 방법은 Articulation-XL2.0 데이터셋(dataset)에서 직접 비교 가능한 가장 강력한 기준선(baseline)인 Auto-Connect 대비 CD-J2B 오차를 16.9% 줄입니다. 야생(in-the-wild) 메시를 대상으로 한 정성적 결과는 다양한 입력에 대한 일반화 성능을 추가로 입증합니다.