Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
이산적 특성으로 인한 부정확성을 해결하기 위해 메시와 포인트 클라우드를 위한 새로운 연속 도메인 곡선 스켈레톤화 프레임워크인 CSCD를 제안합니다. CSCD-M과 CSCD-PC는 기존 방식보다 노이즈에 강하며 위상 보존 능력이 뛰어납니다.
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 곡선 스켈레톤화 (Curve Skeletonization)의 발전은 광범위한 응용 분야에서 진보를 가속화하고 있습니다. 그러나 복잡한 객체의 세부 사항을 포착하는 견고한 스켈레톤화 알고리즘을 개발하는 것은 여전히 도전적인 과제로 남아 있습니다. 국소 분리자 (Local Separators, LS)를 통한 스켈레톤화는 효율적인 그래프 기반 접근 방식을 제공하지만, 이산적 (discrete) 특성으로 인해 표현의 부정확성 문제를 겪습니다. 이를 해결하기 위해, 우리는 LS를 매니폴드 (manifolds)로 일반화한 연속 도메인에서의 곡선 스켈레톤화를 위한 새로운 프레임워크인 CSCD를 소개합니다. 구체적으로, 우리는 메시 (meshes)를 위한 CSCD-M과 포인트 클라우드 (point clouds)를 위한 CSCD-PC라는 두 가지 구현 방식을 제시합니다. CSCD-M은 노이즈에 대한 회복력과 향상된 위상 보존 (topological preservation)을 위해 메시의 고유한 삼각측량 (intrinsic triangulation)을 활용하며, CSCD-PC는 강화된 견고성을 위해 터프드 라플라시안 (tufted Laplacians)을 채택합니다. 우리가 알기로, CSCD-M은 곡선 스켈레톤화를 위한 최초의 고유 (intrinsic) 방식입니다. 우리의 결과에 따르면 CSCD-M은 다양한 메시에서 LS의 성능과 일치하며, Thingi10k 데이터셋과 같은 벤치마크에서 LS (TOG'21)를 능가합니다. CSCD-PC는 정성적으로 CoverageAxis++ (Eurographics'24) 및 EPCS (CAG'23)보다 뛰어난 성능을 보입니다. 마지막으로, 우리는 객체 분류 (object classification), 형상 분할 (shape segmentation), 객체 내 핸들 (handles), 터널 (tunnels) 및 수축부 (constrictions) 식별과 같은 몇 가지 다운스트림 태스크 (downstream tasks)에서 CSCD의 효능을 입증합니다. 프로젝트 웹사이트: https://cscd-skel.pages.dev