[논문 리뷰] LaS-Comp: Zero-shot 3D Completion with Latent-Spatial Consistency

Weilong Yan, Haipeng Li외 5명|arXiv (Cornell University)|2026. 02. 21.

3D Shape Modeling and Analysis인용 수 0

한 줄 요약

LaS-Comp은 Explicit Replacement Stage와 Implicit Alignment Stage를 사용하여 부분 기하를 3D 기초 모델의 잠재 우선순위와 융합하는 학습 없이 제로샷 3D 형태 재구성 프레임워크로, 범주에 구애받지 않는 재구성과 텍스트 가이드 또는 무조건 제어를 가능하게 하며 Omni-Comp 벤치마크에서 평가됩니다.

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}.

연구 동기 및 목표

• 다양한 부분 관찰로부터 강건하고 범주에 구애받지 않는 3D 형태 재구성을 동기화합니다.
• 대형 3D 기초 모델에서 얻은 풍부한 기하학적 우선 priors를 제로샷 설정에서 활용합니다.
• 관찰 기하학에 대한 고충실도를 달성하면서 관찰 영역과 합성 영역 사이의 경계가 매끄럽도록 보장합니다.

제안 방법

• 두 단계 설계에서 작동합니다: Partial geometry를 잠재 표현으로 주입하는 Explicit Replacement Stage (ERS)와 경계 일관성을 위한 잠재 특징의 정밀화를 수행하는 Implicit Alignment Stage (IAS).
• 3D 기초 모델이 도형을 잠재 공간으로 매핑하고 이를 3D 기하학으로 디코드하는 잠재-생성 기반 파이프라인을 사용합니다.
• 텍스트 가이드 및 무조건 재구성을 모두 가능하게 하는 분류자 없이 가이던스를 활용합니다.
• ERS에서 관측 보셀을 업데이트하기 위해 인코딩 전에 이진 마스크를 통해 관측된 보셀을 교체하고 잠재를 업데이트하기 위해 깨끗한 분기(fidelity)와 노이즈 분기(diversity)로 잠재 분할을 수행합니다.
• IAS에서 마스킹된 영역에 대한 기하학 정렬 손실을 계산하고 잠재의 일관성을 개선하기 위해 단일 단계의 그래디언트 정제를 수행합니다.

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

실험 결과

연구 질문

• RQ1 제로샷, 범주에 구애받지 않는 3D 형태 재구성이 사전 학습된 3D 기초 모델의 잠재 및 공간 도메인을 연결함으로써 달성될 수 있는가?
• RQ2 두 단계 프로세스(Explicit Replacement + Implicit Alignment)가 잠재만 혹은 단일 단계 방법보다 충실도와 경계 일관성을 높이는가?
• RQ3 다양한 부분 패턴, 실제 스캔 및 합성 데이터에서 방법의 성능은 어떠한가?
• RQ4 본 접근법이 서로 다른 3D 기초 모델과 호환되며 텍스트 가이드 또는 무조건 재구성에 적합한가?

주요 결과

• LaS-Comp은 실제 데이터 및 합성 데이터를 포함한 다수의 벤치마크에서 다양한 부분 패턴에 걸쳐 최첨단 성능을 제공합니다.
• ERS와 IAS를 결합한 접근은 잠재 기반의 기준선 및 절삭 방법 대비 충실도와 경계 일관성을 크게 향상시킵니다.
• 이 방법은 각 형태를 약 20초 만에 재구성하며 이전의 제로샷 방법보다 3배 이상 빠릅니다.
• Omni-Comp은 이 연구에서 도입되었으며, 실제 스캔과 합성 데이터를 세 가지 부분성 패턴(Single Scan, Random Crop, Semantic Part)으로 결합하여 다양한 현장 평가를 가능하게 합니다.
• Ablation 연구에서 ERS가 입력 구조 보존에 중요하고, IAS가 경계 인공물 감소 및 지역 일관성을 개선하며, 부분 인지된 노이즈 스케줄(PNS)이 관찰 영역의 디노이징을 더욱 안정시키는 것으로 나타났습니다.
• 실험은 미확인 카테고리 및 부분 패턴에 대해 강한 일반화를 보여주며, 다른 제로샷 접근법 대비 재구성 다양성(MMD/TMD)이 향상됩니다.

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