[論文レビュー] Parallelised Differentiable Straightest Geodesics for 3D Meshes

Hippolyte Verninas, Caner Korkmaz+3 more|arXiv (Cornell University)|Mar 16, 2026

3D Shape Modeling and Analysis被引用数 0

ひとこと要約

要約: 本論文は、3Dメッシュ上の指数写像を計算するためのGPU並列微分可能直線最短ゲージ構造を導入し、二つの微分スキーム（Extrinsic Proxy および Geodesic Finite Differences）を提示し、適応的ゲージ畳み込み、MeshFlow フロー整合、Mesh-LBFGS最適化という三つの新規メッシュ学習アプリケーションを実証します。

ABSTRACT

Machine learning has been progressively generalised to operate within non-Euclidean domains, but geometrically accurate methods for learning on surfaces are still falling behind. The lack of closed-form Riemannian operators, the non-differentiability of their discrete counterparts, and poor parallelisation capabilities have been the main obstacles to the development of the field on meshes. A principled framework to compute the exponential map on Riemannian surfaces discretised as meshes is straightest geodesics, which also allows to trace geodesics and parallel-transport vectors as a by-product. We provide a parallel GPU implementation and derive two different methods for differentiating through the straightest geodesics, one leveraging an extrinsic proxy function and one based upon a geodesic finite differences scheme. After proving our parallelisation performance and accuracy, we demonstrate how our differentiable exponential map can improve learning and optimisation pipelines on general geometries. In particular, to showcase the versatility of our method, we propose a new geodesic convolutional layer, a new flow matching method for learning on meshes, and a second-order optimiser that we apply to centroidal Voronoi tessellation. Our code, models, and pip-installable library (digeo) are available at: circle-group.github.io/research/DSG.

研究の動機と目的

• メッシュ表面上で直接微分可能なリーマン演算子を学習と最適化のために提供する。
• 指数写像、測地線追跡、および平行輸送をGPU並列に実装する。
• Expへ backpropagation するための二つの微分スキーム（Extrinsic Proxy と Geodesic Finite Differences）を導出・比較する。
• 適応ゲージ畳み込み、MeshFlow、Mesh-LBFGSベースの最適化といった新規メッシュ学習モジュールに微分可能演算子の有用性を示す。
• ダウンストリーム学習パイプラインへの統合を容易にするCUDAカーネルを備えたPyTorch互換ライブラリ（dige）を公開する。

提案手法

• 三角形メッシュ上で最も直線的な測地線フレームワークを採用し、Expp(v)、測地線追跡、および平行輸送を計算する。
• 二つの微分スキームを開発する。Extrinsic Proxy (EP) は微分可能なプロキシエンドポイントとバックプロパゲーション時の固定回転を使用し、Geodesic Finite Differences (GFD) は局所フレームと有限差分を用いてヤコビ行列を近似する。
• 大規模バッチや複数メッシュへ拡張するためのGPUベースの1スレッド＝1測地線追跡カーネルを実装する。
• Expに関する両方の偏微分を p および v に対して導出し、可能な場合には閉形式勾配と比較してEPとGFDの微分スキームを比較する。
• 境界追跡の制御的処理を可能にして学習の安定性を向上させ、メッシュ境界との互換性を確保する。

実験結果

リサーチクエスチョン

• RQ1 メッシュ上の指数写像と測地線追跡を学習パイプラインへ組み込むために、微分可能に効率化する方法は？
• RQ2 Extrinsic Proxy と Geodesic Finite Differences の精度と速度のトレードオフは？
• RQ3 微分可能な Expp が新しいアーキテクチャや学習アルゴリズム（例：適応ゲージ畳み込み、フロー整合、二次最適化）を可能にするか？
• RQ4 提案手法は多様なメッシュにおいて、精度と計算効率の面で最先端のベースラインと比べてどうか？

主な発見

• 提案されたGPU並列実装は、既存手法と同程度の前方精度を保ちつつ、特に大規模バッチや高解像度メッシュにおいて大幅なスピードアップを実現する。
• Geodesic Finite Differences は閉形式参照と一致する高精度な勾配を提供する一方、Extrinsic Proxy は p が固定されている場合に適した高速な勾配を提供する。
• Adaptive Geodesic Convolutions はチャネル/層ごとにパッチサイズを学習し、メッシュ分割の固定パッチ畳み込みより優れている。
• MeshFlow は従来のリーマン幾何フロー手法より推論が速く、メモリ使用量も少ない一方で、KLダイバージェンスとビハーモニックベースのChamfer指標で競争力を示す。
• Mesh-LBFGS はメッシュ上のセントロイド型ボローヴィ tessellation に対する二次最適化を効率的に実現し、 tested scenarios では Lloyd法より高速に収束する。
• 同梱の dige ライブラリは、メッシュベースのリーマン幾何学演算を PyTorch 風に統合する CUDAカーネルを提供する。