AnchorComplete: Recovering Complete Scene Meshes from Partial Point Clouds
부분적인 포인트 클라우드로부터 관찰되지 않은 기하학적 구조를 복원하여 완전한 씬 메시를 생성하는 프레임워크
논문이 다루는 내용
기존의 이미지 기반 3D 재구성 방식은 주로 보이는 표면만 복원하여 구멍이 생기거나 관찰되지 않은 영역이 남는 문제가 있었습니다. 이를 해결하기 위해 본 논문은 관찰된 기하학을 유지하면서 다양한 스케일의 장면을 지원하는 AnchorComplete 프레임워크를 제안합니다. TRELLIS.2를 기반으로 하는 이 방법은 글로벌 토큰과 로컬 공간 증거를 결합하는 '부분 포인트 컨디셔닝'과 고정된 윈도우 내에서 구조적 일관성을 유지하며 정밀도를 높이는 '메트릭 스케일 Coarse-to-Fine 생성' 방식을 결합합니다. 실험 결과, Replica 및 SCRREAM 데이터셋에서 특히 희소 뷰(sparse-view) 환경에서 기존 베이스라인보다 뛰어난 완전 씬 재구성 성능을 입증했습니다.
핵심 결과
-
관찰된 기하학적 구조를 보존하면서 미관찰 영역을 채우는 완전한 씬 메시 복원
-
글로벌 토큰과 로컬 증거를 결합하여 입력 데이터에 생성 과정을 고정하는 컨디셔닝 기술
-
전역적 구조 일관성을 유지하며 국소적 정밀도를 높이는 메트릭 스케일 Coarse-to-Fine 생성 방식
실무에서 볼 만한 점
Sparse-view 데이터만으로도 정밀한 3D 모델을 생성할 수 있어, 데이터 수집 비용이 높은 3D 스캔 및 디지털 트윈 작업의 효율성을 극대화할 수 있습니다.
읽을 때 확인할 점
-
제공된 소스코드를 활용하여 다양한 밀도의 Sparse-view 데이터셋에 대한 복원 품질 테스트
-
TRELLIS.2 프레임워크와의 연동성 및 연산 비용(GPU 메모리) 분석
-
대규모 스케일의 복잡한 실내 장면에서의 구조적 일관성 유지 여부 검증