[論文レビュー] Surface Reconstruction from Scattered Point via RBF Interpolation on GPU

Salvatore Cuomo, Ardelio Gallettiy+2 more|arXiv (Cornell University)|May 22, 2013

Advanced Numerical Analysis Techniques参考文献 16被引用数 41

ひとこと要約

本稿では、散在する3次元点群からの表面再構成のためのGPUアクセラレートされた径数基底関数（RBF）補間手法を提示する。大規模な線形系を効率的に解くために並列科学計算ライブラリを活用し、大規模データセットに対してCPUに比べて最大25倍の高速化を達成する。最適なRBF形状パラメータの選定は、点群密度の指標に基づく。

ABSTRACT

In this paper we describe a parallel implicit method based on radial basis functions (RBF) for surface reconstruction. The applicability of RBF methods is hindered by its computational demand, that requires the solution of linear systems of size equal to the number of data points. Our reconstruction implementation relies on parallel scientific libraries and is supported for massively multi-core architectures, namely Graphic Processor Units (GPUs). The performance of the proposed method in terms of accuracy of the reconstruction and computing time shows that the RBF interpolant can be very effective for such problem.

研究の動機と目的

• 数千万点を含む大規模3次元点群におけるRBFに基づく表面再構成の高い計算コストを低減すること。
• RBF補間における大規模な密行列線形系の解法というボトルネックをGPUアクセラレーションで克服すること。
• 異種GPUアーキテクチャに特化したスケーラブルで並列化されたRBF補間の実装を開発すること。
• 点群密度の測定値に基づいて最適なRBF形状パラメータσを自動的に選択するヒューリスティック手法を提案すること。
• 合成および実世界のデータセットにおいて顕著な性能向上と高い再構成精度を示すこと。

提案手法

• 表面点と法線ベクトルを用いて生成されたオフ・サーフェス点を補間する線形系を解くことで、ガウスカーネルを用いた径数基底関数（RBF）を用いて表面を暗黙的に再構成する。
• 各表面点をその推定法線方向に微小な距離δだけオフセットすることで、オフ・サーフェス点を生成し、補間の安定性を向上させる。
• GPU上で大規模な線形系を高速に解くために、GMRES法を用いたプリコンディショニング付き反復解法を採用し、RASMプリコンディショナーを適用する。
• PETSc、CUSP、ThrustといったGPU最適化ライブラリを活用して、大規模なマルチコアアーキテクチャ上でRBF補間子の解法と評価を並列化する。
• 最大近隣距離h_maxを用いたヒューリスティックなσ選択を導入し、埋め込み距離をh_M ≈ h_max√2として近似する。
• 2段階の表面再構成パイプラインを実装する：(1) RBF補間系を解く；(2) 補間子のゼロ等高線を計算する。

実験結果

リサーチクエスチョン

• RQ1 GPUアクセラレーションにより、大規模3次元点群におけるRBFに基づく表面再構成の計算時間を顕著に短縮できるか？
• RQ2 RBF形状パラメータσの選択が再構成品質に与える影響は何か？また、点群密度から自動的に推定可能か？
• RQ3 CPUベースの実装と比較して、GPU最適化RBF補間によりどの程度の性能向上が達成できるか？
• RQ4 点群サイズおよび評価グリッド解像度の増加に伴い、提案手法はどのようにスケーリングするか？
• RQ5 h_maxに基づくヒューリスティックなσ選択は、手動チューニングと同等またはそれ以上の再構成品質を提供できるか？

主な発見

• 補間子の決定に関しては、337.5万点のデータセットで最大25.09×の高速化を達成。補間子の評価についても最大25.09×の高速化を実現。
• 100万点のグリッドにおける補間子評価では、CPUに比べて24.81×の高速化を達成し、強力なスケーラビリティを示した。
• σ ≈ h_max√2を用いることで最適な再構成品質が得られ、過剰に平滑化または不十分に平滑化された代替手法との視覚的比較で明確に示された。
• 不完全な点群や実世界のデータセットに対しても高い再構成精度を維持し、点密度の変動に対しても安定した性能を示した。
• h_maxに基づくσ選択のヒューリスティックは、複雑または未知の幾何形状においても、手動チューニングの代替として信頼性の高い自動化手法を提供する。
• データセットサイズの増加に伴い、すべてのテスト設定で一貫した高速化が観察され、良好なスケーリング特性を示した。