[论文解读] 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 0

一句话总结

LaS-Comp 是一个训练无关、零-shot 的三维形状完成框架，使用 Explicit Replacement Stage 和 Implicit Alignment Stage 将部分几何与来自三维基础模型的潜在先验融合，实现类别无关的完成以及文本引导或无条件控制，在 Omni-Comp 基准上进行了评估。

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}.

研究动机与目标

• 从多样化的部分观测中推动鲁棒的、类别无关的 3D 形状完成。
• 在零-shot 设置中利用大型 3D 基础模型的丰富几何先验。
• 在遵循观测几何的同时，确保观测区域与合成区域之间的边界光滑。

提出的方法

• 以两阶段设计运作：Explicit Replacement Stage (ERS) 将部分几何注入潜在表示；Implicit Alignment Stage (IAS) 对潜在特征进行细化以实现边界一致性。
• 使用潜在生成驱动的管线，其中一个 3D 基础模型将形状映射到潜在空间并解码为 3D 几何。
• 利用无分类器引导（classifier-free guidance）实现文本引导和无条件完成。
• 在 ERS 中，将潜在表示分裂为干净分支（保真度）和嘈杂分支（多样性），并在编码前通过二值掩码替换观测体素以更新潜在表示。
• 在 IAS 中，对掩模区域计算几何对齐损失并对潜在表示进行单步梯度细化以提高一致性。

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

实验结果

研究问题

• RQ1 是否能够通过连接预训练 3D 基础模型的潜在空间与空间域实现零-shot、类别无关的 3D 形状完成？
• RQ2 与单阶段方法或仅潜在空间方法相比，五阶段（显式替换 + 隐式对齐）是否能带来更高的保真度和边界一致性？
• RQ3 该方法在多样的部分模式、真实世界扫描和合成数据上的表现如何？
• RQ4 该方法是否与不同的 3D 基础模型兼容，并且能够实现文本引导或无条件完成？

主要发现

• LaS-Comp 在多个基准（包括真实世界和合成数据）上实现了跨多种部分模式的最先进性能。
• Explicit Replacement Stage (ERS) 加上 Implicit Alignment Stage (IAS) 相较于仅潜在空间的方法和消融实验，显著提升了保真度与边界一致性。
• 该方法完成每个形状大约在 20 秒内，比之前的零-shot 方法快 3 倍以上。
• Omni-Comp 在本文中提出，结合真实世界扫描与合成数据、以及三种部分性模式（Single Scan、Random Crop、Semantic Part）用于强健的野外评估。
• 消融实验表明 ERS 对保留输入结构至关重要，而 IAS 降低边界伪影并改善局部一致性；Partial-aware Noise Schedule (PNS) 进一步稳定观测区域的去噪。
• 实验显示对未见类别与未见部分模式具有较强泛化能力，并且在完成多样性（MMD/TMD）方面优于竞争的零-shot 方法。

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