[論文レビュー] Multilevel Skeletonization Using Local Separators

Jakob Andreas Bærentzen, Rasmus Emil Christensen+2 more|arXiv (Cornell University)|Jan 1, 2023

Parallel Computing and Optimization Techniques被引用数 1

ひとこと要約

本稿では、入力グラフを複数のレベルに粗視化し、粗いレベルから細かいレベルへ分離集合を投影して結果を階層的に統合することで、局所的分離集合に基づく曲線スケルトン化を高速化するマルチレベルスケルトン化アルゴリズムを提示する。この手法は、メッシュやボクセルグリッドを含む多様な入力に対して、元の局所的分離集合スケルトン化（LSS）と同等の高品質なスケルトンを維持しつつ、1000倍以上の高速化を達成する。

ABSTRACT

In this paper we give a new, efficient algorithm for computing curve skeletons, based on local separators. Our efficiency stems from a multilevel approach, where we solve small problems across levels of detail and combine these in order to quickly obtain a skeleton. We do this in a highly modular fashion, ensuring complete flexibility in adapting the algorithm for specific types of input or for otherwise targeting specific applications. Separator based skeletonization was first proposed by Bærentzen and Rotenberg in [ACM Tran. Graphics'21], showing high quality output at the cost of running times which become prohibitive for large inputs. Our new approach retains the high quality output, and applicability to any spatially embedded graph, while being orders of magnitude faster for all practical purposes. We test our skeletonization algorithm for efficiency and quality in practice, comparing it to local separator skeletonization on the University of Groningen Skeletonization Benchmark [Telea'16].

研究の動機と目的

• 高品質なスケルトンを生成するが、大規模な入力に対しては計算コストが高いため、その利用が制限される局所的分離集合スケルトン化（LSS）の計算コストを低減すること。
• 複雑な三角メッシュやボクセルグリッドなどの大規模な入力を対象として、マルチレベルフレームワークを活用して効率的なスケルトン化を実現すること。
• 非可縮性や非形状入力も含む、任意の空間的埋め込みグラフを扱えるLSSの柔軟性を維持すること。
• ランタイムを著しく短縮しながらも、細部の特徴やトポロジーの正確性を保持する高品質なスケルトン出力を維持すること。
• 特定の入力タイプやアプリケーション固有の要件に応じたカスタマイズが可能なモジュラーで拡張可能なアーキテクチャを導入すること。

提案手法

• 元の入力から、次第に小さくなる代表的グラフの階層を構築するためにグラフ粗視化を適用する。
• 最も粗いレベルで、領域拡大と貪欲なパッキング手法を用いて最小の局所的分離集合を計算する。
• 幾何的近接性とトポロジカル整合性を用いて、粗いレベルで計算された分離集合を細かいレベルへ再投影する。
• 動的連結性データ構造（Holm-Tarjan）を用いて、平均的にO(log²n)の更新およびクエリ時間で局所的分離集合の計算を高速化する。
• 分離集合の最小化を図るため、頂点の平滑化とヒューリスティックベースのソーティングを実行し、不要な頂点を反復的に削除する。
• 異なるレベルにおける重複のない最小分離集合を統合することで最終的なスケルトンを再構築し、トポロジカルおよび幾何的忠実性を保持する。

実験結果

リサーチクエスチョン

• RQ1 マルチレベルフレームワークは、出力品質を劣化させることなく、局所的分離集合ベースのスケルトン化の実行時間を著しく短縮できるか？
• RQ2 粗いグラフ上で計算された局所的分離集合が、細かいレベルにうまく投影・精錬され、正確性を維持できるか？
• RQ3 元のLSSアルゴリズムと比較して、マルチレベルアプローチが細部構造やトポロジカル特徴をどの程度正確に保持できるか？
• RQ4 三角メッシュやボクセルグリッドなど、多様な入力タイプにおいて、マルチレベルアルゴリズムの性能はどのようにスケーリングするか？
• RQ5 マルチレベルアプローチのモジュラー設計は、特定の入力タイプやアプリケーション固有の制約に柔軟に適合できるか？

主な発見

• 提案されたマルチレベルスケルトン化アルゴリズムは、テストされたすべての入力（メッシュやボクセルグリッドを含む）において、元のLSSアルゴリズムと比較して1000倍以上の高速化を達成した。
• グローネンゲン大学スケルトン化ベンチマークにおいて、マルチレベル手法はLSSと同等のスケルトン品質を生成し、多数のモデルで頂点数、葉数、分岐構造の相対差が10%以内に収まった。
• 動的連結性データ構造の使用により、特にボクセルグリッドにおいて、局所的分離集合計算の時間が著しく短縮された。
• 収縮的メソッドでしばしば消失する細いブランチや複雑な接合部といった細部の特徴を、本手法は保持することで高品質な出力を維持している。
• モジュラー設計により、点群や非可縮性グラフなどの特定の入力タイプに対しても、パフォーマンスや品質を損なわずに柔軟に適応可能である。
• 粗視化により、入力サイズに比して実行時間が劣線形にスケーリングするため、全解像度のグラフよりも、最も粗いレベルでの分離集合計算が著しく高速である。