Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 3D 생성 모델의 한계를 극복하고, 느린 계산이나 포인트 추적 없이 정밀한 드래그 편집이 가능한 '3DRAG' 프레임워크를 제안합니다. 3DRAG는 점유율 인식 WTA 전략을 통합하여 희소 기하학 처리를 강화하고, 로짓 레벨 토큰 융합으로 객체 정체성을 유지하며 부드러운 변형을 구현합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기3D 생성 모델의 급속한 발전은 3D 에셋 제작을 점점 더 접근하기 쉽게 만들었습니다. 하지만 포인트 기반 드래그 편집과 같은 직관적이고 정밀하며 상호작용적인 사용자 제어를 달성하는 것은 여전히 어렵습니다. 기존의 3D 드래그 방식들은 Score Distillation Sampling(SDS)과 같은 느린 2D 확산 사전 지식에 의존하거나, 직접 기하학을 변형시키는데, 이는 종종 다중 뷰 불일치와 위상학적 아티팩트를 유발합니다. 본 논문에서는 대규모 생성 모델의 명시적인 3D 잠재 공간 내에서 SDS 기반 최적화나 반복적인 포인트 추적 없이 정밀한 드래그 편집을 수행하는 학습이 필요 없는(training-free) 프레임워크인 3DRAG를 제시합니다. 기하학적으로 그럴듯한 변형을 보장하기 위해, 3DRAG는 점유율 인식 승자 독식(Occupancy-Aware Winner-Takes-All, OA-WTA) 전략을 통합하여 드래그 변위 필드를 명시적으로 3D 공간으로 확장함으로써 희소 기하학을 강력하게 처리합니다. 나아가, 우리는 잠재 표현을 3D 변위 필드를 통해 명시적으로 변환하는 생성 편집 파이프라인을 소개합니다. 모델의 생성 능력을 완전히 활용하여 객체의 정체성을 유지하면서 부드러운 기하학적 변형을 달성합니다. 원래의 기하학과 텍스처를 높은 충실도로 전달하기 위해, 소스 정보를 목적지 영역에 정확하게 주입하는 로짓 레벨 토큰 융합(Logits-Level Token Fusion)을 제안합니다. 3D 포인트 기반 편집을 평가하기 위해, 우리는 다양한 3D 에셋과 복잡한 다중 포인트 드래그 지침을 특징으로 하는 새로운 데이터셋을 구축했습니다. 정량적 및 정성적 실험은 3DRAG가 드래그 정확도, 기하학적 충실도, 비편집 영역 보존 측면에서 기존 베이스라인을 능가하는 최첨단 성능을 달성함을 입증합니다.