3D 에셋 (3D assets)의 획득 및 생성은 주로 시점(view) 또는 외형(appearance) 중심적으로 이루어져 왔습니다. 그 결과, 기존의 디지털 3D 모델들은 관절(joints), 지지대(supports), 내부 구조(interiors) 또는 상호작용 요소(interaction elements)와 같이 의도한 대로 작동하는 데 필요한 구조적 구성 요소가 결여된 경우가 많습니다. 동시에, 사람이 주석을 단 동작(human-annotated motions)조차도 오류가 빈번하여 물리적으로 불가능한 동작으로 이어지기도 합니다. 본 논문에서는 시각적으로는 그럴듯하지만 기능적이지 않은 3D 모델을 기능적이고 물리적으로 조작 가능한 모델로 변환하는 것을 목표로 하는 새로운 작업인 '객체 기능화 (object functionalization)'를 소개합니다. 우리는 기능화를 새로운 기능 그래프 표현 (functional graph representation)에 대한 그래프 완성 (graph completion) 문제로 정식화합니다. 여기서 레이블이 지정된 노드 (labeled nodes)는 객체의 부품을 나타내고, 레이블이 지정된 엣지 (labeled edges)는 기능 및 접촉 관계를 인코딩하며, 이동 가능한 노드 (movable nodes)는 동작 속성 (motion attributes)을 담고 있어, 구조적 기능 결함이 누락된 노드나 잘못된 엣지로 나타나게 됩니다. 우리는 기능적이지 않은 3D 객체를 나타내는 불완전한 그래프를 완성하기 위한 신경망 기반의 Graph Functionalizer (GraFu)를 개발합니다. 완성된 그래프는 예측된 커넥터 (connectors)와 구조적 요소들을 3D 상에 구현하는 기하학적 실체화 (geometry realization) 단계를 구동하며, 이 과정에서 사람이 주석을 달았거나 예측된 잘못된 동작을 교정하는 강력한 부수 효과를 얻습니다. 풍부하고 도전적인 대상 카테고리인 가구에 초점을 맞춘 학습 및 평가를 지원하기 위해, 우리는 233개의 비기능적 가구 모델과 기능화된 가구 모델 쌍으로 구성된 데이터셋인 FurFun-233을 소개합니다. PartNet-Mobility (