PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02201v1cs.CV

SILSA: 위상 보존 고해상도 3D 생성을 위한 슬라이딩 윈도우 슬라이스 잠재 표현

SILSA: Sliding-Window Slice Latents for Topology-Preserving High-Resolution 3D Generation

고해상도 3D 생성은 먼저 활성 구조를 예측한 다음 국소 기하 구조를 합성하는 복셀(voxel) 잠재 표현 및 다단계 파이프라인에 점점 더 의존하고 있습니다. 이러한 설계는 효과적이지만, 연속적인 표면을 수많은 국소 토큰(token)으로 파편화하고 생성 비용을 증가시키며, 얇거나 연결성이 높은 형상에 대해 위상학적 일관성을 약화시키는 경우가 많습니다. 본 논문에서는 조밀한 슬라이딩 윈도우 슬라이스 잠재 표현으로 형상을 표현하는 위상 인식 3D 생성 프레임워크인 SILSA를 소개합니다. 비용이 많이 드는 복셀 토큰을 생성하는 대신, SILSA는 세 개의 표준 축을 따라 고정된 중첩 슬라이스 세트를 사용하며, 각 토큰은 국소 깊이 윈도우를 요약하여 단면 연속성을 보존하고 단일 단계 정류 흐름(rectified-flow) 생성을 지원합니다. Slice VAE는 지향성 표면 샘플을 다축 슬라이스 잠재 표현으로 인코딩하고 이를 희소 체적 디코더로 재구성하는 한편, Volumetric Anchor Lattice는 공유된 3D 작업 공간을 통해 방향성 슬라이스 스트림을 조율합니다. 구조적 정확성을 보존하기 위해, 지속성 다이어그램(persistence diagram)을 매칭하고 이웃 슬라이스 간의 베티(Betti) 전이를 정렬하는 슬라이스 수준의 위상 감독 기법을 도입합니다. 실험 결과, SILSA는 생성 비용을 대폭 줄이면서 구조적 충실도를 향상시키는 것으로 나타났습니다. SILSA는 가장 강력한 기준선(baseline) 대비 PSNR을 8.7%, 커버리지를 5.96%p(절대 포인트), 베티 오류를 9.2% 개선하는 동시에, 그다음으로 조밀한 기준선보다 70.0% 적은 토큰을 사용하고 희소 또는 계층적 토크나이저보다 98% 이상 적은 토큰을 사용하여 학습(training) 메모리를 40.4%, 추론(inference) 시간을 58.5% 효과적으로 줄였습니다. 정성적 결과는 얇은 구조, 반복되는 구성 요소 및 장거리 연결성의 보존이 더욱 향상되었음을 보여줍니다.