[論文レビュー] Functional correspondence by matrix completion

Artiom Kovnatsky, Michael M. Bronstein+2 more|arXiv (Cornell University)|Dec 27, 2014

3D Shape Modeling and Analysis参考文献 47被引用数 6

ひとこと要約

本論文は、多様体間の関数的対応を実現する幾何学的行列補完フレームワークを提案する。対応行列を、ディリクレエネルギーとL1正則化を用いて、それらの背後にある多様体上での関数としてモデル化する。本手法は、多様体構造とスパースな関数的局在化を活用することで、限られたデータ条件下でも、非剛性形状マッチングベンチマークで最先端の性能を達成する。

ABSTRACT

In this paper, we consider the problem of finding dense intrinsic correspondence between manifolds using the recently introduced functional framework. We pose the functional correspondence problem as matrix completion with manifold geometric structure and inducing functional localization with the $L_1$ norm. We discuss efficient numerical procedures for the solution of our problem. Our method compares favorably to the accuracy of state-of-the-art correspondence algorithms on non-rigid shape matching benchmarks, and is especially advantageous in settings when only scarce data is available.

研究の動機と目的

• 限られた対応データしか利用できない状況下で、非剛性3次元形状や高次元幾何データ間の密な内在的対応を扱う課題に取り組むこと。
• 行列補完に幾何的構造を組み込むことで、関数的対応のロバスト性と正確性を向上させること。
• 従来の手法よりも、スパース、ノイズ多め、または不完全な対応データをより効果的に処理できるように、関数的フレームワークを拡張すること。
• メッシュ、点群、画像やテキストなどのマルチモーダルデータを含む、多様な多様体に適用可能な汎用的でスケーラブルなソリューションを提供すること。

提案手法

• 関数的対応問題を、対応行列が背後にある多様体の幾何的構造によって制約される行列補完タスクとして定式化する。この制約にはディリクレエネルギーが用いられる。
• 対応行列の各行および各列を、それぞれの多様体上でのベクトル値関数としてモデル化し、ラプラシアン作用素を用いて幾何的滑らかさを符号化する。
• 関数的表現におけるスパarsityを促進するためにL1正則化を適用し、局在化の向上とノイズへのロバスト性を高める。
• 非凸問題を解くために、部分空間定式化と交替方向一般乗数法（ADMM）を用いた効率的な最適化スキームを開発する。
• データ構造（例：カラー度ヒストグラム、テキストのBag-of-Words）からグラフラプラシアンを構築することで、マルチモーダルデータに一般化する。
• 最適化にはManoptを実装し、非滑らかL1ノルム最小化のための拡張も提案する。

実験結果

リサーチクエスチョン

• RQ1 幾何的構造を行列補完に効果的に埋め込むことで、スパースデータ上での関数的対応の性能向上が図れるか？
• RQ2 L1正則化とディリクレエネルギーを組み込むことで、非剛性形状マッチングにおける対応の正確性とロバスト性がどのように向上するか？
• RQ3 限られた対応監視条件下で、本手法が最先端の関数的対応技術をどの程度上回るか？
• RQ4 本フレームワークは、画像やテキストアノテーションなどのマルチモーダルデータへ一般化可能か？

主な発見

• 本手法は、プリンストン非剛性形状マッチングベンチマークにおいて優れた性能を発揮し、とくに対応データが限られた状況で顕著な優位性を示す。
• OvsjanikovらやPokrassらの手法と比較して、非等長形状やトポロジカルノイズの処理においても優れた性能を発揮する。
• Flickr画像タグ付けデータセットでは、ノイズや不適切なアノテーションが存在する中でも、高信頼度で関連するタグを特定し、意味的なワードクラウドを効果的に生成した。
• 本手法は、欠損部や異なる表現（メッシュ対点群）が存在する幾何的・トポロジカルな歪みに対しても、ロバストであることが示された。
• L1正則化の導入により、関数的局在化が著しく向上し、誤った対応アーチファクトが顕著に減少した。