3D-CODED: 3차원 대응 관계의 심층 변형을 통한 추출

우리는 변형 가능한 형태를 매칭하기 위한 새로운 딥 러닝 접근법을 제시합니다. 이를 위해 {\it Shape Deformation Networks}를 소개하는데, 이는 3D 형태와 대응 관계를 동시에 인코딩합니다. 이러한 목표는 표면 표현을 다음과 같이 분리하여 달성됩니다: (i) 표면을 매개변수화하는 템플릿과 (ii) 템플릿을 입력 표면으로 변환하는 학습된 전역 피처 벡터입니다. 새로운 형태에 대해 이 피처를 예측함으로써, 우리는 이 형태와 템플릿 사이의 대응 관계를 암시적으로 예측하게 됩니다. 우리는 입력과 변환된 템플릿 간의 Chamfer 거리를 최소화하여 모양 피처를 개선하는 추가 단계를 통해 이러한 대응 관계가 개선될 수 있음을 보여줍니다. 실험 결과, 우리의 간단한 접근법은 평균 대응 오차 2.88cm로 어려운 FAUST-inter 도전 과제에서 기존 최고 성능 결과보다 우수함을 입증하였습니다. TOSCA 데이터셋에서의 실험을 통해 우리의 방법이 다양한 종류의 섭동에 견고하며, 비인간적인 형태에도 일반화됨을 확인하였습니다. 이러한 견고성 덕분에 SCAPE 데이터셋의 실제 불순물이 포함된 메시에서도 우수한 성능을 발휘할 수 있었습니다.