[論文レビュー] Bayesian Inference of Bijective Non-Rigid Shape Correspondence

Matthias Vestner, Roee Litman+3 more|arXiv (Cornell University)|Jul 12, 2016

3D Shape Modeling and Analysis参考文献 38被引用数 7

ひとこと要約

本稿では、ノイズのある点対応を潜在的な全単射写像の実現とみなすことにより、非剛性形状対応を計算するベイズ推論フレームワークを提案する。最小平均二乗誤差（MMSE）または最小平均絶対誤差（MMAE）推定の下で線形割り当て問題（LAP）として問題を定式化することにより、全単射性が保証され、標準的な最近傍探索やCPDベースの復元手法と比較して、特に全射性と測地的誤差の低減において顕著な精度向上が達成される。

ABSTRACT

Many algorithms for the computation of correspondences between deformable shapes rely on some variant of nearest neighbor matching in a descriptor space. Such are, for example, various point-wise correspondence recovery algorithms used as a postprocessing stage in the functional correspondence framework. In this paper, we show that such frequently used techniques in practice suffer from lack of accuracy and result in poor surjectivity. We propose an alternative recovery technique guaranteeing a bijective correspondence and producing significantly higher accuracy. We derive the proposed method from a statistical framework of Bayesian inference and demonstrate its performance on several challenging deformable 3D shape matching datasets.

研究の動機と目的

• 非剛性形状マッチングにおいて、最近傍探索（NN）や一貫性のある点ドリフト（CPD）のような標準的な点対応回復手法が示す低い全射性と精度を改善すること。
• ノイズのある対応を潜在的な全単射写像のノイズのある観測とみなすことにより、内在的形状写像の統計的ノイズ除去フレームワークを構築すること。
• ベイズMMSE/MMAE推定器から導かれる線形割り当て問題（LAP）を通じて、形状間の1対1対応を保証する全単射対応を達成すること。
• 密度の高い対応および希な対応を含む多様なベンチマークと入力タイプにおいて、一貫した性能向上を示すこと。
• よく知られた統計的手法を幾何的文脈に新規に適用する、原理的で推定理論に基づいた形状対応のアプローチを確立すること。

提案手法

• 本手法は、潜在的な全単射写像を一様事前分布の下でMMSEまたはMMAE推定により推定するベイズ推論タスクとして対応回復問題をモデル化する。
• 事後期待値は線形割り当て問題（LAP）に帰着され、これによりソース形状とターゲット形状の点間の1対1対応が保証される。
• 解はオークションアルゴリズムを用いて効率的に計算され、高密度にサンプリングされた形状へのスケーラビリティが実現される。
• 高分解能メッシュに対して収束を加速し、ロバストネスを向上させるためにマルチスケールアプローチが採用される。
• 本フレームワークは、NN や CPD を含む任意の既存の対応アルゴリズムに後処理として適用可能であり、出力をノイズ除去・精錬する。
• ベイズ推定器の繰り返し適用により、特に希な初期対応において精度がさらに向上する。

実験結果

リサーチクエスチョン

• RQ1 最近傍探索やCPDベースの手法と比較して、ベイズ推論フレームワークは非剛性形状対応回復の精度と全射性を向上させることができるか？
• RQ2 MMSE/MMAE推定の下で対応回復を線形割り当て問題（LAP）として定式化することで、全単射性が保証されつつ高い精度を維持できるか？
• RQ3 本手法は、異なるアルゴリズムから得られる密度の高いおよび希な初期対応に対しても効果的か？
• RQ4 高分解能3次元形状に、計算コストが著しく増大することなく、ベイズノイズ除去アプローチを効率的にスケーリングできるか？
• RQ5 ベイズ推定器による繰り返し精錬が、多様な形状ベンチマークにおける対応品質に与える影響は何か？

主な発見

• 提案手法は、NN や CPD よりも顕著に低い測地的誤差を達成し、SCAPE 12.5Kベンチマークでは中央値誤差を最大70％まで低減した。
• KIDS 1Kデータセットでは、測地的誤差を NN からの1.35％から NN + ベイズの1.28％へ、CPD からの4.79％から CPD + ベイズの1.75％へ低減した。
• 本手法は全単射性を保証し、NN や CPD がしばしばターゲット形状の広い領域をマッチングしないという欠陥を解消した。
• 希な対応（例：20〜50点）に対しては、繰り返しベイズ精錬により、最近傍補間と比較して測地的誤差が50％以上低減された。
• NN + ベイズでは実行時間がやや延長される（例：n=1000でNN単体の0.04秒から2.79秒に）、一方CPDベースの手法は依然として著しく遅く、n=6890でCPDは1745秒、CPD + ベイズは382.86秒であった。
• SCAPEおよびFAUSTデータセットにおいて、本手法はすべてのベースラインを上回り、合成的および現実的な機能的マップ入力の両方で一貫した改善が得られた。