3차원 인간 등록을 위한 정렬된 확산 방법

Ordered Diffusion for 3D Human Registration

3차원 인간 등록은 과거에 회귀 문제로 취급되어 왔으며, 이는 템플릿과 입력 포인트 클라우드 사이에 고유한 정답 정렬이 존재한다고 가정합니다. 그러나 실제로는 획득 과정에서의 노이즈, 가려짐 현상, 그리고 알려지지 않은 연조직 역학은 인간 스캔에 내재적인 모호성을 야기합니다. 결과적으로 회귀 기반 방법은 평균 예측 값으로 수렴하는 경향이 있으며, 이는 종종 현실적인 기하 구조를 제대로 표현하지 못합니다. 본 연구에서는 이러한 불확실성을 활용하여 등록을 정렬의 분포로 모델링합니다. 우리는 ODin이라는 방법을 제안하며, 이는 등록을 3차원 확산 과정으로 정의하여 대상 기하 구조와 일치하는 포인트 클라우드를 생성하면서 일관된 포인트 순서를 통해 템플릿의 의미를 유지합니다. 이를 위해 ODin은 전역적, 지역적, 그리고 위치 정보를 활용하여 각 포인트를 올바른 위치로 이동시킵니다. 실험 결과는 제안하는 생성 모델이 회귀 기반 기준 모델보다 우수한 성능을 보일 뿐만 아니라, 정교하게 설계된 기존 방법들을 능가하며 등록 시간을 3분의 1 수준으로 줄이는 새로운 최고 성능을 달성한다는 것을 보여줍니다. 사전 학습된 모델과 코드는 https://riccardomarin.github.io/odin/ 에서 제공됩니다.

3D human registration has historically been treated as a regression task, assuming a unique ground-truth alignment exists between the template and an input point cloud. In reality, acquisition noise, occlusions, and unknown soft tissue dynamics introduce inherent ambiguity into human scans. Regression-based methods consequently converge to an average prediction, often failing to represent a plausible geometry. In our work, we embrace such uncertainty by modeling the registration as a distribution of alignments. We propose ODin, which formulates registration as a 3D diffusion process that generates a point cloud aligned with the target geometry while preserving template semantics through consistent point ordering. To achieve this, ODin relies on global, local, and positional conditioning, guiding each point to its correct location. Our experiments demonstrate that such a generative formulation not only outperforms its regression-based baseline, but also establishes a new state of the art, surpassing highly engineered methods while reducing the registration time by two-thirds. Pre-trained models and code are available at https://riccardomarin.github.io/odin/.