[論文レビュー] Efficient Deformable Shape Correspondence via Kernel Matching

Zorah Lähner, Matthias Vestner+9 more|arXiv (Cornell University)|Jul 25, 2017

3D Shape Modeling and Analysis参考文献 49被引用数 25

ひとこと要約

本稿では、変形、トポロジーの変化、部分的観測の下でも効率的かつ正確な非剛性形状対応を実現する、新しいカーネルマッチングフレームワークを提案する。正定値カーネル行列を用いた緩和された二次割り当て問題として問題を定式化し、双確率行列上の投影勾配法により最適化することで、数十万頂点にまでスケーラブルな最先端の性能を達成する。

ABSTRACT

We present a method to match three dimensional shapes under non-isometric deformations, topology changes and partiality. We formulate the problem as matching between a set of pair-wise and point-wise descriptors, imposing a continuity prior on the mapping, and propose a projected descent optimization procedure inspired by difference of convex functions (DC) programming. Surprisingly, in spite of the highly non-convex nature of the resulting quadratic assignment problem, our method converges to a semantically meaningful and continuous mapping in most of our experiments, and scales well. We provide preliminary theoretical analysis and several interpretations of the method.

研究の動機と目的

• 非等長変形、トポロジーの変化、部分的観測の下でも、一対一で連続的かつ忠実な対応を求める非剛性3次元形状対応の課題に対処すること。
• 従来の二次割り当て問題（QAP）の計算的非実行可能性を克服するため、正定値カーネル行列を用いて問題を再定式化すること。
• 数十万頂点にまでスケーラブルな最適化フレームワークを構築し、大規模形状に対しても高品質な対応を可能にすること。
• カーネルに基づくペアワイズ記述子を用いて連続性の事前知識を統合することで、ノイズおよびトポロジーの変化に対してより頑健な性能を向上させること。
• 深層学習ベースの対応ネットワークの後処理としての有効性を実証し、FAUST や SHREC’16 のベンチマークでその精度を顕著に向上させること。

提案手法

• 従来の距離行列の代わりに正定値カーネル行列を用いることで、双確率行列上での正確な緩和が可能な緩和二次割り当て問題（QAP）として形状対応問題を定式化する。
• 差の凸（DC）プログラミングにインspiredされた投影勾配法を用いて緩和最適化を解き、線形割り当て問題（LAP）を交互に更新することで対応行列を更新する。
• 粗い表現から始め、反復的に精錬する多スケール高速化戦略を採用し、大規模問題を効率的に処理する。
• アルゴリズムを交互な拡散プロセスとして解釈することで、対応マップをぼかし・鋭くするプロセスとし、カーネル密度推定および反復的精錬と関連付ける。
• 局所的およびグローバルな形状構造を保証するため、点単位の記述子（例：SHOT、HKS）およびカーネル化されたペアワイズ記述子を用いる。
• 深層学習ベースの対応ネットワークの後処理ステップとして本手法を適用し、FAUST や SHREC’16 のベンチマークで顕著に性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 形状対応問題をカーネルベースに定式化することで、NP困難なQAPを正確に緩和しつつ、連続性と忠実性を保持できるか？
• RQ2 距離行列の代わりに正定値カーネル行列を用いることで、非剛性形状対応のロバストネスとスケーラビリティがどのように向上するか？
• RQ3 双確率行列上での提案された投影勾配法が、トポロジーの変化や部分的観測を伴う困難なデータセットにおいて、従来のQAP緩和法やスペクトル法をどの程度上回るか？
• RQ4 本手法が深層学習ベースの対応ネットワークの有効な後処理として機能できるか、精度向上はどの程度達成できるか？
• RQ5 多スケール実装が、大規模3次元形状における収束性と性能にどのように影響を与えるか？

主な発見

• 本手法はSCAPEデータセットで最先端の性能を達成し、機能マップやMöbius投票を上回り、100%の対応率で測地的誤差0.01%を達成した。
• TOSCAデータセットでは、100%の対応率で測地的誤差0.02%を達成し、FM、SGMDS、Best Conformal手法を顕著に上回った。
• FAUSTデータセットでは、深層学習ベースライン（例：FMNet、MoNet、ACNN）を後処理として適用することで、測地的誤差が最大50%まで低減された。
• SHREC’16 トポロジー・データセット（大規模なトポロジー的ショートカットを有する）では、100%の対応率で測地的誤差0.08%を達成し、トポロジーの変化に対して頑健であることを示した。
• 本手法は最大10万頂点の形状に対しても効率的にスケーリングでき、事前の形状登録や複雑な学習設定を必要とせず、高品質な対応を実現した。
• アルゴリズムは交互な拡散プロセスとして解釈され、カーネル密度推定と関連付けられ、収束挙動に対する原理的理解を提供した。