[論文レビュー] LaS-Comp: Zero-shot 3D Completion with Latent-Spatial Consistency

Weilong Yan, Haipeng Li+5 more|arXiv (Cornell University)|Feb 21, 2026

3D Shape Modeling and Analysis被引用数 0

ひとこと要約

LaS-Comp は Explicit Replacement Stage と Implicit Alignment Stage を用いて部分幾何と 3D 基盤モデルの潜在事前分布を融合し、カテゴリ非依存の補完とテキスト誘導または無条件制御を実現する訓練不要なゼロショットの3D 形状補完フレームワークで、Omni-Comp ベンチマークで評価される。

ABSTRACT

This paper introduces LaS-Comp, a zero-shot and category-agnostic approach that leverages the rich geometric priors of 3D foundation models to enable 3D shape completion across diverse types of partial observations. Our contributions are threefold: First, \ourname{} harnesses these powerful generative priors for completion through a complementary two-stage design: (i) an explicit replacement stage that preserves the partial observation geometry to ensure faithful completion; and (ii) an implicit refinement stage ensures seamless boundaries between the observed and synthesized regions. Second, our framework is training-free and compatible with different 3D foundation models. Third, we introduce Omni-Comp, a comprehensive benchmark combining real-world and synthetic data with diverse and challenging partial patterns, enabling a more thorough and realistic evaluation. Both quantitative and qualitative experiments demonstrate that our approach outperforms previous state-of-the-art approaches. Our code and data will be available at \href{https://github.com/DavidYan2001/LaS-Comp}{LaS-Comp}.

研究の動機と目的

• Diverse な部分観察から頑健かつカテゴリ非依存の3D形状補完を動機付ける。
• 大規模な3D基盤モデルからの豊富な幾何 priors をゼロショット設定で活用する。
• 観測された幾何と生成された領域との境界を滑らかに保ちつつ、観測ジオメトリへの忠実性を高める。

提案手法

• 二段設計で動作する: 観測部分の幾何を潜在表現へ注入する Explicit Replacement Stage (ERS) と、境界整合性のため潜在特徴を精練する Implicit Alignment Stage (IAS)。
• 3D基盤モデルが形状を潜在空間へ写像し、そこから3Dジオメトリへデコードする潜在生成ベースのパイプラインを使用。
• テキスト誘導と無条件補完の両方を可能にするため classifier-free 指向を活用。
• ERS では、潜在をクリーンなブランチ（忠実度）とノイジーなブランチ（多様性）へ分割し、エンコード前に観測ボクセルを二値マスクで置換して潜在を更新。
• IAS では、マスクされた領域に対して幾何整合性損失を計算し、潜在の単一步法で勾配を refin e して一貫性を向上。

Figure 1 : Our new framework supports category-agnostic shape completion across diverse partial patterns, including (a) random crops, (b) single-view scans, and (c) missing semantic parts. It further supports both unconditional and text-guided completion, offering flexible control for real-world app

実験結果

リサーチクエスチョン

• RQ1 事前学習済み3D基盤モデルの潜在と空間ドメインを橋渡しすることで、ゼロショット・カテゴリ非依存の3D形状補完は実現できるか。
• RQ2 二段階プロセス（Explicit Replacement + Implicit Alignment）は、潜在のみ・単一段階方法と比べて忠実度と境界整合性を高めるか。
• RQ3 方法は多様な部分パターン、現実世界のスキャン、合成データでどう性能を示すか。
• RQ4 アプローチは異なる3D基盤モデルに適用可能で、テキスト誘導または無条件補完に対応できるか。

主な発見

• LaS-Comp は、現実世界データと合成データを含む複数のベンチマークで、様々な部分パターンに対して最先端の性能を発揮する。
• ERS と IAS を組み合わせることで、潜在のみベースラインおよびアブレーションと比較して忠実度と境界整合性が大幅に改善される。
• 本手法は各形状を約 20 秒で補完し、従来のゼロショット手法より約3倍速い。
• Omni-Comp は本研究で導入され、実世界スキャンと合成データを三つの部分性パターン（Single Scan、Random Crop、Semantic Part）で組み合わせ、野外での堅牢な評価を実現する。
• アブレーションにより、ERS は入力構造の保持に必須である一方、IAS は境界アーティファクトを減少させ局所的一貫性を改善し、Partial-aware Noise Schedule (PNS) は観測領域のデノイジングをさらに安定化する。
• 実験は見たことのないカテゴリや部分パターンでの強い一般化を示し、競合するゼロショット手法より補完多様性（MMD/TMD）が改善された。

Figure 2 : Overview of the LaS-Comp framework. Starting from Gaussian noise, the process iteratively refines a latent feature $\boldsymbol{x}_{t}$ under the guidance of the partial input $\boldsymbol{S}_{p}$ . At each iteration $t$ , this refinement is performed in two stages: the Explicit Replaceme