TransNormal-2: 정밀한 법선 추정을 위한 에지 인식 디코딩을 갖춘 기하 기반 정류 흐름

초록

확산 기반 모델은 단안 기하 추정을 가능하게 하지만, 픽셀 공간 정밀도는 공통적이며 충분히 연구되지 않은 오류 원인인 VAE 재구성 저하에 의해 제한된다. VAE 인코더-디코더의 8배 공간 압축은 객체 경계에서 표면 법선을 저하시키며, 심지어 정답 법선을 인코딩하고 디코딩하는 것만으로도 평균 각도 오차(MAE) 1.3--8.5°가 발생하고, 경계 MAE는 전역 MAE의 2.8배에 이른다. 우리는 단일 단계 결정론적 추론을 갖춘 FLUX.2 기반 rectified-flow 프레임워크인 TransNormal-2를 제안하며, 이는 VAE 디코더를 기준으로 양측, 즉 훈련 중 잠재 예측을 감독하는 방식과 추론 시 디코딩된 법선을 보정하는 방식에서 이 저하를 다룬다. 첫째, 역렌더링 자기 일관성, von Mises-Fisher 각도 손실, 웨이블릿 경계 인식 정규화를 포함한 기하 인식 픽셀 공간 손실은 VAE 디코딩 후 구면 법선 기하와 확산 이미지 형성 단서를 강제함으로써 잠재 MSE를 보완한다. 둘째, 경량 기하 정제 모듈(GRM)은 RGB 기반 잔차 보정을 적용하여 거친 예측을 자유롭게 다시 쓰지 않고 경계에 국한된 디코딩 오류를 줄인다. 일반 장면 벤치마크에서 TransNormal-2는 보고된 여덟 개 지표 모두에서 MoGe-2와 동등하거나 능가하면서도, 과제 특화 법선 주석은 1.4%만 사용한다. 이득은 투명 객체에서 가장 명확하며, 가장 강력한 기존 기준선보다 ClearGrasp에서 MAE를 4.2°, ClearPose에서 3.1° 감소시킨다. 코드는 https://longxiang-ai.github.io/TransNormal-2에서 공개될 예정이다.

English

Diffusion-based models enable monocular geometry estimation, yet their pixel-space precision is limited by a shared, under-studied error source: VAE reconstruction degradation. The 8x spatial compression in the VAE encoder-decoder degrades surface normals at object boundaries; even encoding and decoding ground-truth normals introduces 1.3--8.5° of mean angular error (MAE), with edge MAE reaching 2.8x the global MAE. We present TransNormal-2, a FLUX.2-based rectified-flow framework with single-step deterministic inference that addresses this degradation on both sides of the VAE decoder: in how latent predictions are supervised during training, and in how decoded normals are corrected at inference. First, geometry-aware pixel-space losses, including inverse rendering self-consistency, von~Mises-Fisher angular loss, and wavelet edge-aware regularization, complement latent MSE by enforcing spherical normal geometry and diffuse image-formation cues after VAE decoding. Second, a lightweight Geometric Refinement Module (GRM) applies an RGB-guided residual correction to reduce boundary-localized decoding errors without freely rewriting the coarse prediction. On general-scene benchmarks, TransNormal-2 matches or exceeds MoGe-2 on all eight reported metrics while using only 1.4% as many task-specific normal annotations. The gains are clearest for transparent objects, reducing MAE by 4.2° on ClearGrasp and 3.1° on ClearPose over the strongest prior baselines. Code will be released at https://longxiang-ai.github.io/TransNormal-2.