[論文レビュー] Breaking Bad: A Dataset for Geometric Fracture and Reassembly

Silvia Sellán, Yunchun Chen+3 more|arXiv (Cornell University)|Oct 20, 2022

Image Processing and 3D Reconstruction被引用数 15

ひとこと要約

本論文では、10,474体の3Dモデルを対象に、高速でモードベースの破壊シミュレーションを用いて生成した100万個の物理的に現実的で幾何学的に自然な破壊パターンからなる大規模データセット、Breaking Badを紹介する。このデータセットは幾何的再構成モデルのベンチマークを可能にし、複雑な断片幾何、変動する断片数、不規則な形状の影響により顕著な課題が生じることを明らかにした。最先端の深層学習モデルでさえ、このタスクにおいては中程度のパフォーマンスにとどまっている。

ABSTRACT

We introduce Breaking Bad, a large-scale dataset of fractured objects. Our dataset consists of over one million fractured objects simulated from ten thousand base models. The fracture simulation is powered by a recent physically based algorithm that efficiently generates a variety of fracture modes of an object. Existing shape assembly datasets decompose objects according to semantically meaningful parts, effectively modeling the construction process. In contrast, Breaking Bad models the destruction process of how a geometric object naturally breaks into fragments. Our dataset serves as a benchmark that enables the study of fractured object reassembly and presents new challenges for geometric shape understanding. We analyze our dataset with several geometry measurements and benchmark three state-of-the-art shape assembly deep learning methods under various settings. Extensive experimental results demonstrate the difficulty of our dataset, calling on future research in model designs specifically for the geometric shape assembly task. We host our dataset at https://breaking-bad-dataset.github.io/.

研究の動機と目的

• 機械学習分野における幾何的破壊再構成のための、大規模かつ物理的根拠を持つデータセットの不足に対処すること。
• 意味的分解ではなく、自然で物理的に妥当な3Dオブジェクトの破壊プロセスをモデル化すること。
• 深層学習モデルの幾何的形状再構成分野における評価と発展を可能にするベンチマークを提供すること。
• 今後の破壊シミュレーション、再構成、3D形状理解分野の研究を促進すること。

提案手法

• 各ベースモデルに対して20種類の破壊モードを、事前に計算済みの物理ベースの破壊アルゴリズムを用いて計算することでデータセットを生成する。
• 各破壊モードに対して、多様な破壊パターンを生成するため、80回の追加的なランダム衝撃投影をサンプリングする。
• 事前に計算済みのモードを活用することで、低コストで物理的に現実的で幾何学的に自然な破壊パターンを実現する。
• ベースモデルは、日常品、アーティファクト、ゲームアセットをカバーするThingi10KおよびPartNetから収集される。
• 本データセットには100万個を超える一意の破壊パターンが含まれており、それぞれが頂点、面、凸性ランクなどの詳細な幾何メタデータを備えている。
• 著者らは再現可能性を確保し、今後の研究を促進するためにコードとプロトタイプWebサイトを提供している。

実験結果

リサーチクエスチョン

• RQ1 自然に破壊されたオブジェクトの幾何的複雑性と多様性は、形状再構成のための既存の深層学習モデルにどのような課題をもたらすか？
• RQ2 最先端の形状再構成モデルは、物理的に現実的で意味的ではない破壊パターンにどの程度一般化できるか？
• RQ3 自然に破壊されたオブジェクトの再構成性能を妨げる主な幾何的およびトポロジカル特性は何か？
• RQ4 さまざまな幾何的測定値（例：凸性ランク、頂点/面数）と再構成の難易度の相関関係は何か？
• RQ5 提案されたデータセットは、今後の幾何的再構成分野における発展を支える強力なベンチマークとして機能できるか？

主な発見

• Breaking Badデータセットには、10,474体のベースモデルから合計1,047,400個の破壊断片が含まれており、1モデルあたりの平均破壊パターン数は100である。
• 最先端のモデル（Global、LSTM、DGL）は、全データセットにおいて平均チェンファーディスタンス15.7×10⁻³、パーツ正解率24.6％という中程度のパフォーマンスにとどまっている。
• 最もパフォーマンスの高かったモデル（DGL）は、日常品サブセットにおいてパーツ正解率31.0％を達成しており、さらなる改善の余地が大きいことが示された。
• 1オブジェクトあたりの破壊断片の中央値は100であり、四分位範囲が15～100と高いばらつきを示しており、再構成の複雑さが増している。
• 本データセットは高い幾何的多様性を示しており、断片1つあたりの頂点数の25～75百分位数範囲は15.9～21.5、面数は4.7～20.1である。
• 広範な幾何的分析から、破壊断片の凸性ランク（中央値12.7×10⁻²）が広範にわたって変動しており、再構成の難易度に寄与していることが明らかになった。