PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2512.09201v2cs.GR

SuperFrusta를 이용한 3D 형상 잔차 기본체 적합

Residual Primitive Fitting of 3D Shapes with SuperFrusta

우리는 3D 형상을 간결하고 편집 가능한 해석적 기본체(analytic primitive) 조립체로 변환하는 프레임워크를 제안하며, 재구성 충실도(reconstruction fidelity)와 간결성(parsimony) 사이의 지속적인 트레이드오프를 직접적으로 다룬다. 우리 접근법은 두 가지 핵심 기여를 결합한다: SuperFrustum이라 명명한 새로운 기본체와, 반복적 적합 알고리즘인 Residual Primitive Fitting(ResFit)이다. SuperFrustum은 동시에 (1) 표현력이 있어 실린더, 구, 원뿔 및 그 테이퍼형·곡률 형태 등 다양한 일반적인 입체를 모델링할 수 있고, (2) 8개 파라미터로 간결하게 매개변수화되어 편집 가능하며, (3) 거의 모든 곳에서 파라미터에 대해 미분 가능한 부호 거리장(signed distance field)을 갖추어 최적화가 가능한 해석적 기본체이다. ResFit은 비지도(unsupervised) 절차로, 전역 형상 분석과 지역 최적화(local optimization)를 교차하며, 형상에서 아직 설명되지 않은 잔차(residual)에 기본체를 반복적으로 적합시켜 각 입력 형상에 대해 간결하면서도 정확한 분해(decomposition)를 찾는다. 다양한 3D 벤치마크에서 우리 방법은 최신(state-of-the-art) 결과를 달성하며, 이전 연구 대비 거의 절반 수준의 기본체를 사용하면서 IoU를 9포인트 이상 향상시킨다. 그 결과 조립체는 밀집된 3D 데이터와 사람이 제어 가능한 설계 사이의 간극을 메우며, 고충실도(high-fidelity)이고 편집 가능한 shape program을 생성한다.

arXiv:2607.05568v1cs.CV

생성 이미지 모델을 활용한 학습 없는 기본 형태 추상화

Harnessing Generative Image Models for Training-Free Primitive Shape Abstraction

비전-언어 모델과 생성 이미지 모델을 활용해 3D 객체를 의미론적 부위로 분할하고, 각 부위에 수퍼쿼드릭(superquadric) 기본 요소를 피팅하는 학습 불필요(training-free) 3D 형태 추상화 파이프라인을 제안한다. 학습된 매개변수 없이 카테고리·방향에 무관하게 동작하며, HumanPrim과 Toys4K 벤치마크에서 객체당 평균 5~9개의 기본 요소만으로 모든 비교 방법 중 최저 Chamfer 거리를 달성했다.