부분적인 관측치로부터 완전한 3D 형상을 재구성하는 것을 목표로 하는 Point cloud completion은 심각한 폐색 및 누락된 형상으로 인해 어려운 문제입니다. 보완적인 RGB 이미지를 활용하여 누락된 형상을 보완하는 다중 모달 기술의 최근 발전에도 불구하고, 대부분의 방법은 여전히 융합된 잠재 특징으로부터 누락된 구조를 합성하는 Completion-by-Inpainting 패러다임을 따릅니다. 본 연구는 이 패러다임이 제한된 기하학적 및 의미적 제약으로 인해 구조적 불일치와 위상적 인공물을 초래하는 경우가 많다는 것을 경험적으로 보여줍니다. 이를 해결하기 위해, 본 연구는 Completion-by-Correction이라고 하는 더 강력한 패러다임을 제안합니다. 이 패러다임은 사전 훈련된 이미지-to-3D 모델에 의해 생성된 위상적으로 완전한 형상 사전을 시작으로 부분적 관측치에 맞게 정렬하기 위해 특징 공간 보정을 수행합니다. 이 패러다임은 제약 없는 합성을 안내된 개선으로 전환하여 구조적으로 일관되고 관측치에 정렬된 재구성을 가능하게 합니다. 이 패러다임을 기반으로 PGNet을 도입하며, 이는 생성적 사전을 접지하고, 거칠지만 구조적으로 정렬된 스캐폴드를 합성하며, 계층적 보정을 통해 기하학적 세부 사항을 점진적으로 개선하는 다단계 프레임워크입니다. ShapeNetViPC 데이터 세트에 대한 실험은 평균 Chamfer Distance (-23.5%) 및 F-score (+7.1%) 측면에서 PGNet이 최첨단 기준선보다 우수함을 보여줍니다.
