PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.17302v2cs.CV

MatLat: PBR 텍스처 생성을 위한 머티리얼 잠재 공간

MatLat: Material Latent Space for PBR Texture Generation

본 논문에서는 주어진 3D 메시에 고품질 PBR 텍스처를 생성하기 위한 생성 프레임워크를 제안합니다. 대규모 PBR 텍스처 데이터셋이 부족한 상황에서, 본 접근법은 타깃 미세조정(fine-tuning)을 통해 머티리얼 잠재 공간인 MatLat을 학습하는 동시에, 사전학습된 잠재 이미지 생성 모델의 임베딩(embedding) 공간과 확산 사전확률(diffusion prior)을 효과적으로 활용하는 데 초점을 맞춥니다. 임베딩 네트워크를 고정하여 추가 PBR 채널 인코딩 시 분포 변화(distribution shift)를 초래하고 후속 확산 학습(training)을 저해하는 기존 방식과 달리, 본 연구에서는 최소한의 잠재 분포 편차만으로 새로운 머티리얼 채널이 통합될 수 있도록 사전학습된 VAE를 미세조정합니다. 나아가 잠재-이미지 간 매핑이 국소성(locality)을 보존하지 않는 한, 대응점 인식 어텐션(correspondence-aware attention)만으로는 뷰 간 일관성을 확보하기에 불충분함을 보입니다. 이러한 국소성을 강제하기 위해, 잠재 패치를 크롭하여 디코딩한 뒤 대응하는 이미지 영역과 정렬함으로써 강력한 픽셀-잠재 공간 대응을 유지하는 정규화(regularization) 기법을 VAE 미세조정에 도입합니다. 제거 연구(ablation study) 및 기존 베이스라인과의 비교를 통해 제안하는 프레임워크가 PBR 텍스처의 충실도를 향상시키며, 각 구성 요소가 최고 수준의 성능(SOTA)을 달성하는 데 필수적임을 입증합니다.