[論文レビュー] Analytic Marching: An Analytic Meshing Solution from Deep Implicit Surface Networks

Jiabao Lei, Kui Jia|arXiv (Cornell University)|Feb 16, 2020

3D Shape Modeling and Analysis参考文献 20被引用数 10

ひとこと要約

本稿では、ReLUベースのMLPの線形リージョン構造を活用して、深さのある暗黙関数からピecewise平面的表面を正確に回復する新規メッシュ生成アルゴリズム「Analytic Marching」を提案する。線形リージョン内での解析的セルおよび面の同定と、弱い条件下でもそれらのトポロジカルな接続性の証明により、従来のマーチング・キューブスに内在する離散化誤差を回避する高精度で並列化可能なメッシュ生成が可能となる。

ABSTRACT

This paper studies a problem of learning surface mesh via implicit functions in an emerging field of deep learning surface reconstruction, where implicit functions are popularly implemented as multi-layer perceptrons (MLPs) with rectified linear units (ReLU). To achieve meshing from learned implicit functions, existing methods adopt the de-facto standard algorithm of marching cubes; while promising, they suffer from loss of precision learned in the MLPs, due to the discretization nature of marching cubes. Motivated by the knowledge that a ReLU based MLP partitions its input space into a number of linear regions, we identify from these regions analytic cells and analytic faces that are associated with zero-level isosurface of the implicit function, and characterize the theoretical conditions under which the identified analytic faces are guaranteed to connect and form a closed, piecewise planar surface. Based on our theorem, we propose a naturally parallelizable algorithm of analytic marching, which marches among analytic cells to exactly recover the mesh captured by a learned MLP. Experiments on deep learning mesh reconstruction verify the advantages of our algorithm over existing ones.

研究の動機と目的

• 学習済みの暗黙関数に標準的なマーチング・キューブスアルゴリズムを適用する際の離散化に起因する再構成精度の損失を解消すること。
• ReLUベースのMLPのピECewise線形構造を活用し、ゼロレベル等高面に関連する解析的に定義されたセルおよび面を同定すること。
• 解析的面が閉じたピECewise平面的表面を形成するための理論的条件を同定すること。
• 学習済みMLPが捉える表面を正確に再構成する、自然に並列化可能なメッシュ生成アルゴリズムを開発すること。
• 深層学習ベースの表面再構成における、既存のメッシュ生成手法と比較して、精度と効率のトレードオフを優れて達成すること。

提案手法

• ReLUベースのMLPの入力空間における線形リージョンを同定し、空間を多面体セルに分割する。
• 各線形リージョン内では暗黙関数がアフィンとなるため、ゼロレベル等高面との交差を平面的面として正確に計算可能である。
• これらの交差から解析的面を構築し、共有エッジと一貫した方向性に基づく理論的条件を用いてその接続性を検証する。
• 解析的マーチングは隣接する解析的セルを走査することで完全なメッシュを構築し、トポロジカルな正しさを保証する。
• アルゴリズムは本質的に並列化可能であり、各解析的セルは独立に処理可能である。
• 関数の離散グリッド上でのサンプリングを経ずに、学習済みMLPから直接メッシュ生成が行われる。

実験結果

リサーチクエスチョン

• RQ1 ReLU-MLPの線形リージョンから導出される解析的面が、どのような条件下で閉じたピECewise平面的表面を形成するか？
• RQ2 ReLUベースの暗黙関数が有する内在的構造を活用することで、メッシュ生成プロセスを正確にし、離散化誤差を完全に回避できるか？
• RQ3 マーチング・キューブスやデュアル・コンターリングといった標準的なメッシュ生成アルゴリズムと比較して、解析的マーチングの精度と効率はどのように異なるか？
• RQ4 アルゴリズムは計算スケーラビリティの向上を図るため、自然に並列化可能か？
• RQ5 本手法は、特に高曲率領域における微細な幾何的ディテールを保持できるか？

主な発見

• 提案された解析的マーチングアルゴリズムは、マーチング・キューブス、グリーdyメッシュ、マーチング・テトラヘドロン、デュアル・コンターリングでさえも、GPUアクセラレーションを施した場合と比較して顕著に高い精度を達成する。
• 同等のメッシュ品質を維持する条件下で、GPUアクセラレーションを施したマーチング・キューブスと比較して、解析的マーチングは著しく高速である。
• D6-W60設定において、平均チェンファーディスタンスは5.91×10⁻¹、τ=5×10⁻³における平均Fスコアは66.6%を達成し、ベースライン手法を上回る性能を示した。
• 定性的な比較から、高曲率領域における鋭い幾何的ディテールの捉え方において、本手法が優れた性能を発揮することが示された。
• 同等の精度水準において、マーチング・キューブスと比較して、解析的マーチングはより少ない面数のメッシュを生成しており、幾何的忠実度の高さが裏付けられた。
• 理論的分析により、ReLU-MLPの線形リージョンから得られる解析的面が、弱い条件下でも接続され、閉じた表面を形成することが保証された。