PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.03915v2cs.CV

PatchScene: 대규모 장면 완성을 위한 패치 기반 복셀 확산 모델

PatchScene: Patch-based Voxel Diffusion for Large-Scale Scene Completion

본 논문에서는 대규모 라이다(LiDAR) 장면 완성(scene completion)을 위한 새로운 확산(diffusion) 기반 프레임워크인 PatchScene을 제안합니다. 전역 잠재 표현(global latent representation)이나 조밀한 복셀 그리드(dense voxel grid)에 의존하는 기존 방법들과 달리, PatchScene은 국소적인 3D 영역 내에서 세밀한 기하학적 구조를 명시적으로 생성하는 패치 기반 복셀 확산 패러다임을 채택합니다. 공간 및 시간적 규모 모두에서 일관된 재구성을 보장하기 위해, 중첩되는 패치와 인접 프레임을 통합된 생성 과정 내에서 결합하는 신뢰도 기반 시공간 융합(confidence-guided spatio-temporal fusion) 메커니즘을 도입합니다. 또한, 라이다 스캔의 방사형 밀도 패턴을 활용하여 근거리 영역에서 원거리 영역으로 고충실도 정보를 점진적으로 전파함으로써 공간적으로 무제한인 장면 완성을 가능하게 하는 Annular-Flow 확산 전략을 설계합니다. SemanticKITTI 벤치마크에 대한 광범위한 실험을 통해 PatchScene이 모든 표준 지표에서 최고 수준의 성능(SOTA)을 달성하며, 기하학적 정확도와 시간적 일관성 모두에서 이전 접근 방식들을 능가함을 입증합니다. 특히 20m 라이다 범위에서 학습된 모델이 재학습 없이도 50m 장면에 효과적으로 일반화되어, 실제 자율주행 애플리케이션에 대한 강력한 확장성과 일반화 능력을 보여줍니다. 프로젝트 페이지: https://patchscene.github.io/

arXiv:2607.03771v1cs.CV

시점 방향 분할과 장면 완성을 활용한 도시 규모 3D 표면 재구성

City-Level 3D Surface Reconstruction with Viewpoint Orientation Partitioning and Scene Completion

다중 시점 3D 표면 재구성은 컴퓨터 비전(CV)에서 오랜 난제이다. 최근 3D Gaussian Splatting(3DGS) 기반의 대규모 재구성 방법들이 인상적인 새로운 시점 합성을 달성하고 있지만, 복잡한 기하 구조, 긴 최적화 시간, 제한된 메모리로 인해 대규모 장면에서 고품질 표면을 생성하는 것은 여전히 어렵다. 본 논문에서는 대규모 장면 표면을 효율적이고 충실하게 재구성하기 위한 새롭고 간단한 분할 방법을 제안한다. 핵심 아이디어는 시점 방향에 기반한 장면 분할 방법에 있다. 이 분할 접근법은 유사한 방향을 가진 시점들이 함께 활용되어 보다 정확한 깊이 추정이 이루어지도록 보장하며, 이를 통해 정밀한 표면 재구성과 여러 GPU에서의 균형 잡힌 병렬 연산을 가능하게 한다. 또한 희소한 시점이나 불충분한 텍스처로 인해 초기 포인트 클라우드에서 발생하는 누락 영역을 감지하고 복구하는 전략을 제안하여 기하학적 품질을 추가로 향상시킨다. GauU-Scene, MatrixCity, UrbanScene3D 데이터셋에 대한 광범위한 실험을 통해 본 방법이 대규모 장면의 표면 재구성에서 최신 기법들을 능가함을 입증한다. 프로젝트 페이지: https://hanl2010.github.io/VOP-GS.

arXiv:2506.10981v2cs.CV

SceneCompleter: 생성적 새로운 시점 합성을 위한 밀집 3D 장면 완성

SceneCompleter: Dense 3D Scene Completion for Generative Novel View Synthesis

생성 모델은 강력한 이미지 생성 사전(priors)을 활용하여 새로운 시점 합성(NVS)에서 큰 가능성을 보여주었습니다. 그러나 기존 접근 방식은 일반적으로 2D 인페인팅(inpainting) 패러다임을 따르며, 먼저 누락된 이미지 영역을 완성한 후 3D 재구성을 수행합니다. 이 전략은 2D 인페인팅 모델이 시점 간 일관성 있는 생성에 필요한 기저 3D 구조를 신뢰할 수 있게 추론할 수 없기 때문에, 종종 기하학적 왜곡과 외관 드리프트(drift)를 유발합니다. 본 논문에서는 생성적 NVS를 밀집 3D 장면 완성으로 재정의하는 기하학 인식 프레임워크인 SceneCompleter를 제안합니다. SceneCompleter는 고립된 2D 뷰를 환각(hallucinating)하는 대신, 공간적으로 정렬된 RGBD 잠재 공간에서 기하학-외관 이중 스트림 확산 모델(diffusion model)을 통해 기하학과 외관을 공동으로 완성합니다. 전체적인 장면 맥락을 제공하기 위해, 참조 이미지의 전역 의미 및 스타일 정보를 바탕으로 생성을 조건화하는 Scene Embedder를 추가로 도입합니다. 완성된 RGBD 예측은 정렬되어 확장 가능한 3D 장면 표현으로 통합되어, 반복적이고 일관된 장면 완성을 가능하게 합니다. 동일 분포(in-domain) 및 이질 분포(out-of-distribution) 데이터셋에 대한 광범위한 실험을 통해, SceneCompleter가 다양한 시나리오에서 시각적으로 타당하고 기하학적으로 일관된 새로운 시점을 생성함을 입증합니다. 프로젝트 페이지: https://chen-wl20.github.io/SceneCompleter