PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.29167v2cs.CV

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.

arXiv:2511.13431v2cs.CV

FUSE: 형상 간 플로우 기반 매핑

FUSE: A Flow-based Mapping Between Shapes

우리는 플로우 매칭 모델을 기반으로 하는 3D 형상 간 매핑을 위한 새로운 신경망 표현 방식을 소개한다. 이 방식은 계산 효율적이며, 대규모 학습이나 데이터 기반 절차 없이 다양한 표현 형식 간의 형상 매칭을 지원한다. 3D 형상은 고정된 앵커 분포로부터의 연속적이고 가역적인 플로우 매핑에 의해 유도되는 확률 분포로 표현된다. 소스 형상과 타깃 형상이 주어지면, 역 플로우(소스에서 앵커로)와 순방향 플로우(앵커에서 타깃으로)의 합성을 통해 두 표면 간의 포인트를 매핑한다. 포인트별 태스크 맞춤형 임베딩으로 형상을 인코딩함으로써, 이 구성은 포인트 클라우드, 메시, 부호 거리 필드(SDF), 체적 데이터에 걸쳐 형상 간 매핑의 가역적이고 모달리티 독립적인 표현을 제공한다. 결과적인 표현 방식은 형상 매칭의 다양한 벤치마크와 어려운 설정에서 일관되게 높은 커버리지와 정확도를 달성한다. 형상 매칭을 넘어, 우리의 프레임워크는 UV 매핑과 인체 원시 포인트 클라우드 스캔의 등록을 포함한 다른 태스크에서도 유망한 결과를 보여준다.

arXiv:2603.12937v2cs.CV

SGMatch: 흐름 정규화를 활용한 의미론적 유도 비강체 형상 매칭

SGMatch: Semantic-Guided Non-Rigid Shape Matching with Flow Regularization

비강체 3D 형상 간의 정확한 점 대 점 대응 관계 구축은 여전히 핵심 과제로 남아 있으며, 특히 비등거리 변형(non-isometric deformations) 및 위상 노이즈(topological noise) 환경에서 더욱 그러하다. 기존 함수형 맵(functional map) 파이프라인은 기하학적 디스크립터만으로는 해소할 수 없는 모호성과, 절단된 스펙트럼 기저(truncated spectral bases)를 조밀한 점별 대응으로 투영하는 과정에서 발생하는 공간적 비일관성을 내포한다. 본 논문에서는 3D로 끌어올린 의미론적 단서(semantic cues)와 궤적 수준의 특징 전송 정규화를 결합하는 학습 기반 프레임워크인 SGMatch를 제안한다. 구체적으로, 비전 파운데이션 모델(vision foundation models)의 의미론적 특징을 기하학적 디스크립터에 통합하면서 지역 구조적 연속성을 보존하는 Semantic-Guided Local Cross-Attention 모듈을 설계한다. 나아가, 공간적으로 일관된 점별 복원을 촉진하는 시간 조건부 특징 전송 정규화기로서 조건부 흐름 매칭(conditional flow matching)을 적용한다. 다수의 벤치마크에 대한 실험 결과, SGMatch는 근등거리(near-isometric) 환경에서 경쟁력 있는 성능을 달성하고, 비등거리 변형 및 위상 노이즈 환경에서 일관된 성능 향상을 보임을 확인하였다.

arXiv:2606.26557v2cs.CV

Coarse-to-Fine: 비강체 3D 형상 매칭을 위한 하이브리드 자기지도 학습 방법

Coarse-to-Fine: A Hybrid Self-Supervised Method for Non-rigid 3D Shape Matching

비강체 3D 형상 매칭을 위해 coarse-to-fine 전략과 Laplacian basis·elastic basis를 쓰는 이중 분기 functional map 학습을 결합한 하이브리드 자기지도 학습 방법을 제안하고, 거친 매핑과 정제 모듈의 대응 관계 일관성을 보장한다. 최소제곱 최적화와 파인튜닝을 줄여 계산 효율을 유지한 채 비등각 변형·위상 노이즈 등 어려운 설정에서 최첨단 매칭 성능을 달성하고, 대조(contrastive) 에너지가 특징 변별력을 높여 기존 방법에도 일관된 향상을 보인다.