CASA-SDF: 곡률 기반 밀도와 커리큘럼 인식 공간 적응을 통한 신경 암시 표면 재구성

원문 발행 2026. 07. 15. 15:38원문 언어 영어AI 한국어 번역arXiv cs.GR (Graphics) 원문 보기

요약

본 논문은 3D 재구성의 난제인 실내 환경의 기하학적 이질성을 해결하기 위해 CASA-SDF 프레임워크를 제안합니다. 이는 커리큘럼 인식 공간 적응(Curriculum-Aware Spatial Adaptation)을 통해 감독과 표현 능력을 보완적으로 적응시킵니다. 특히, 곡률 기반 밀도 변환 및 불확실성 어닐링 전략으로 평면의 안정성과 얇은 구조물의 디테일 복구를 동시에 개선합니다.

핵심 포인트

CASA-SDF는 실내 환경 재구성을 위한 통합 프레임워크입니다.
하이브리드 공간 적응 불확실성 어닐링(SAUA)으로 데이터 기반의 사진측정학적 개선을 수행합니다.
곡률 인식 국소 적응 밀도 변환(CALADT)이 얇은 구조물의 디테일 표현을 향상시킵니다.

신경 암시 표현(Neural implicit representations)은 3D 재구성을 위한 강력한 패러다임으로 부상했습니다. 하지만, 실내 환경의 높은 충실도의 표면 재구성은 주로 실내 장면의 두드러진 extit{기하학적 이질성}(geometric heterogeneity) 때문에 여전히 중요한 과제로 남아 있습니다. 대형 텍스처가 없는 평면 영역은 일반적으로 고주파 아티팩트를 억제하기 위해 더 강력한 정규화(regularization)를 필요로 하며, 반면 얇은 구조물은 다층 퍼셉트론(MLPs)의 스펙트럼 편향을 완화하고 과도한 부드러워짐(over-smoothing)을 방지하기 위해 더 날카롭고 적응적인 표현을 요구합니다. 기존 접근 방식들은 종종 공간적으로 무차별적인 사전 감독(spatially indiscriminate prior supervision)과 장면 전체에 적용되는 SDF-to-density 변환에 의존하며, 이는 평면의 부드러움과 디테일 보존 간의 균형을 맞추는 능력을 제약합니다. 본 논문에서는 CASA-SDF (Curriculum-Aware Spatial Adaptation for SDF), 즉 커리큘럼 인식 공간 적응(Curriculum-Aware Spatial Adaptation)을 위한 SDF를 제안하며, 이는 감독(supervision)과 표현 능력의 보완적인 적응을 통해 이 문제를 해결하는 통합 프레임워크입니다. 구체적으로, 하이브리드 공간 적응 불확실성 어닐링(Hybrid Spatially-Adaptive Uncertainty Annealing, SAUA)은 의미론적 및 사진측정학적 불확실성을 융합하여 단안 사전 감독을 위한 픽셀 단위의 커리큘럼을 구성합니다. 이 전략은 신뢰할 수 있는 영역에서는 정규화를 유지하는 동시에, 학습 초기에 신뢰할 수 없는 감독을 약화시켜 데이터 기반의 사진측정학적 개선이 가능하게 합니다. 한편, 곡률 인식 국소 적응 밀도 변환(Curvature-Aware Locally Adaptive Density Transformation, CALADT)은 곡률 프록시를 통해 SDF-to-density 매핑의 선명도를 점진적으로 조절하여 얇은 구조물의 표현을 향상시킵니다. 벤치마크 실내 데이터셋에 대한 광범위한 실험 결과는 CASA-SDF가 평면 표면의 안정성을 저해하지 않으면서, 고주파 구조물에서 표면 완전성과 디테일 복구를 개선함을 입증합니다.

AI 자동 생성 콘텐츠

원문 바로가기

CASA-SDF: 곡률 기반 밀도와 커리큘럼 인식 공간 적응을 통한 신경 암시 표면 재구성

요약

핵심 포인트

댓글