StyleFields: Coarse-to-Fine 3D 형상 재구축 및 편집을 위한 다중 스케일 AdaIN 변조 암시적 SDF

우리는 StyleFields를 소개합니다. 이는 고충실도(high-fidelity) 3D 재구축을 위한 DeepSDF 기반 아키텍처로, 제어 가능한 기하학적 스타일 혼합(geometric style mixing)을 가능하게 합니다. 즉, 한 객체의 거친 구조와 다른 객체의 미세 스케일 디테일을 결합할 수 있습니다. 핵심 아이디어는 깊이 인식 변조(depth-aware modulation)입니다. 단일 전역 코드 대신, 여러 디코더 깊이에 걸쳐 다중 레벨 적응형 인스턴스 정규화(Adaptive Instance Normalization, AdaIN)를 통해 잠재 벡터(latents)를 주입하고, 네트워크 깊이를 점진적으로 늘리면서 거친 구조에서 미세 구조로 이어지는 스케줄에 따라 매칭 보조 헤드(matching auxiliary heads)로 감독합니다. 이는 초기 레이어를 전역 형상과 정렬하고 후기 레이어를 고주파 디테일과 정렬하여, 부품 라벨이나 적대적 학습(adversarial training) 없이 콘텐츠와 스타일의 분리(content-style decoupling)를 달성합니다. StyleFields는 충실한 재구축, 설득력 있는 교차 인스턴스 하이브리드, 그리고 주입 깊이 및 감독 세분성에 걸친 일관된 성능 향상을 제공합니다. 나아가 우리는 자동차 공기역학 분야의 실용적인 응용 사례를 시연합니다. 학습된 대리 항력 예측기(learned surrogate drag predictor)가 미분 가능한 목적 함수(differentiable objective)로 작용하여 재구축된 차량을 최적화할 수 있게 하며, 상보적인 잠재 스트림(complementary latent stream)을 동결함으로써 전역 형태나 표면 디테일에 대한 목표 편집을 허용합니다. StyleFields는 제어 가능한 암시적 재구축과 다운스트림 성능 기반 설계를 위한 간단하고 효과적인 방법론을 제공합니다.