LaS-Comp: Zero-shot 3D-completie met Latent-Ruimtelijke Consistentie
LaS-Comp: Zero-shot 3D Completion with Latent-Spatial Consistency
February 21, 2026
Auteurs: Weilong Yan, Haipeng Li, Hao Xu, Nianjin Ye, Yihao Ai, Shuaicheng Liu, Jingyu Hu
cs.AI
Samenvatting
Dit artikel introduceert LaS-Comp, een zero-shot en categorie-onafhankelijke methode die gebruikmaakt van de rijke geometrische a priori-kennis van 3D-foundationmodellen om 3D-vormcompletie mogelijk te maken voor diverse soorten partiële observaties. Onze bijdragen zijn drievoudig: Ten eerste benut onze aanpak deze krachtige generatieve a priori-kennis voor completie via een complementair tweestapsontwerp: (i) een expliciete vervangingsfase die de geometrie van de partiële observatie behoudt om een getrouwe completie te garanderen; en (ii) een impliciete verfijningsfase die naadloze overgangen tussen de waargenomen en gesynthetiseerde regio's waarborgt. Ten tweede is ons framework trainingsvrij en compatibel met verschillende 3D-foundationmodellen. Ten derde introduceren we Omni-Comp, een uitgebreide benchmark die real-world en synthetische data combineert met diverse en uitdagende partiële patronen, wat een grondigere en realistischer evaluatie mogelijk maakt. Zowel kwantitatieve als kwalitatieve experimenten tonen aan dat onze aanpak eerdere state-of-the-art methoden overtreft. Onze code en data zullen beschikbaar zijn op https://github.com/DavidYan2001/LaS-Comp.
English
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, 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 https://github.com/DavidYan2001/LaS-Comp{LaS-Comp}.