FurE: 동물털 데이터셋 없이 효율적인 인스턴스별 3D 털 재구성

다중 시점 이미지로부터 사실적이고 편집 가능한 동물 털을 재구성하는 것은 미세 규모 디테일, 자가 가림(self-occlusion) 및 난해성 때문에 어렵습니다. 또한 인간의 머리카락과 달리 동물 털 데이터셋이 부족하다는 점도 문제입니다. 털은 보통 동물의 몸 대부분을 덮고 있으며, 종간 및 종내 변동성이 매우 큽니다. 본 논문에서는 root-conditioned latent field를 최적화하고 이를 PCA 기반 디코더를 통해 스트랜드 기하학으로 디코드하여, 스트랜드별로 편집 가능한 그룸(groom)을 복원하는 효율적인 스트랜드 기반 동물 털 재구성 방법인 FurE를 제시합니다. 우리는 표면 제약형 Gaussian Frosting 표현으로부터 얻은 국부 털 두께 단서와 부위 기반 사전 지식(part-based priors)을 사용하여 털이 제거된 동물 몸체를 재구성합니다. 나아가 인간 머리카락 스트랜드 데이터로부터 학습된 PCA 기반 디코더가 동물 데이터 부족 문제를 완화하는 동시에 상당히 빠른 최적화를 가능하게 함을 보여줍니다. FurE는 현재 SOTA(State-of-the-Art) 밀집 스트랜드별 최적화 대비 10배의 스트랜드 학습 속도를 달성하면서도, 훈련 시간 감소에도 불구하고 스트랜드 충실도를 유지하고 합성 및 실제 환경 시퀀스 전반에 걸쳐 일반화됨을 정량적 및 정성적 검증을 통해 입증합니다.