3D 데이터가 점점 더 인기를 얻고 있는 가운데, 특히 가상 현실 및 증강 현실 경험의 대중화에 힘입어, 3D 형태를 조작하는 것은 디자이너나 전문가에게조차 매우 어렵습니다. 우리는 하나 이상의 객체 범주에 대한 3D 인스턴스 데이터베이스를 바탕으로, 새로운 지능형 모델링 및 편집 도구를 개발하기 위해 타당한 형태의 다양성을 학습하고자 합니다. 하지만 이러한 다양성은 2D 영역에 비해 종종 매우 복잡합니다. 사실, 3D 표면은 여러 개별 삽입을 사용하여 표현될 수 있으며, 서로 다른 정렬이나 토폴로지를 나타낼 수 있습니다. 본 논문에서는 앞서 언급한 도전 과제를 토대로 타당한 형태의 다양성을 연구하며 세 가지 다른 관점을 깊이 있게 탐구합니다. 첫째, 우리는 다양성을 쿼트 공간으로 간주하여, 3D 모델이 정렬되지 않은 데이터베이스에서 형태의 고유 기하학을 학습하는 것을 목표로 합니다. 둘째, 우리는 다양성이 비연결적이라고 가정하여, 형태를 유형에 따라 자동으로 분할하고 학습할 수 있는 새로운 심층 학습 모델을 제안합니다. 마지막으로, 우리는 비구조적 3D 입력을 정확한 기하학으로 변환하는 과정을 연구하며, 이를 연속하는 고체 primitive의 구조화된 나무 형태로 표현합니다.
Éloi Mehr(Thu,)가 이 질문을 연구했습니다.