확산 3D 특성 (Diff3F): 비텍스처 형태에 증류된 의미 특성을 부여하는 방법

우리는 Diff3F를 단순하면서도 강건하고 클래스에 종속되지 않는 특징 설명자로 제시합니다. 이 설명자는 텍스처가 없는 입력 형태(메시 또는 포인트 클라우드)에 대해 계산될 수 있습니다. 우리의 방법은 이미지 기초 모델로부터 입력 형태로 확산 특징을 추출하는 것입니다. 구체적으로, 우리는 입력 형태를 사용하여 조건부 이미지 합성의 안내 역할을 하는 깊이 맵과 법선 벡터 맵을 생성합니다. 이 과정에서, 우리는 2D에서 (확산) 특징을 생성한 후 이를 원래 표면으로 끌어올려 집계합니다. 우리의 주요 관찰 결과는, 입력 형태의 다중 시점 렌더링으로 얻은 조건부 이미지 생성이 일관성이 없더라도 관련된 이미지 특징은 강건하다는 것입니다. 따라서 이러한 특징은 시점을 통해 직접 집계될 수 있습니다. 이는 추가적인 데이터나 학습 없이도 입력 형태 상에 의미론적 특징을 생성합니다. 우리는 여러 벤치마크(SHREC'19, SHREC'20, FAUST, 그리고 TOSCA)에서 광범위한 실험을 수행하여, 우리의 특징이 기하학적 특징 대신 의미론적 특징이므로 등거리(isometric)와 비등거리(non-isometric)로 관련된 형태 가족 간에 신뢰할 수 있는 대응성을 생성함을 입증하였습니다. 코드는 프로젝트 페이지(https://diff3f.github.io/)에서 제공됩니다.