[논문 리뷰] Compact Part-Based Shape Spaces for Dense Correspondences

Oliver Burghard, Alexander Berner외 4명|arXiv (Cornell University)|2013. 11. 29.

3D Shape Modeling and Analysis참고 문헌 38인용 수 6

한 줄 요약

이 논문은 유도된 형태 공간의 균형을 최적화하여 굵은 대응을 고밀도 대응으로 정밀하게 개선하는 부분 기반 생성 통계적 형태 모델을 제안한다. 부분별 가우시안 모델과 새로운 분석-합성 파이프라인을 활용함으로써, 다양한 위상과 기하학적 특성을 가진 형태 간에 강력한 고밀도 매칭을 가능하게 하며, 대응 품질과 형태 공간 일반화 능력에서 기존 최고 수준의 방법들을 크게 능가한다.

ABSTRACT

We consider the problem of establishing dense correspondences within a set of related shapes of strongly varying geometry. For such input, traditional shape matching approaches often produce unsatisfactory results. We propose an ensemble optimization method that improves given coarse correspondences to obtain dense correspondences. Following ideas from minimum description length approaches, it maximizes the compactness of the induced shape space to obtain high-quality correspondences. We make a number of improvements that are important for computer graphics applications: Our approach handles meshes of general topology and handles partial matching between input of varying topology. To this end we introduce a novel part-based generative statistical shape model. We develop a novel analysis algorithm that learns such models from training shapes of varying topology. We also provide a novel synthesis method that can generate new instances with varying part layouts and subject to generic variational constraints. In practical experiments, we obtain a substantial improvement in correspondence quality over state-of-the-art methods. As example application, we demonstrate a system that learns shape families as assemblies of deformable parts and permits real-time editing with continuous and discrete variability.

연구 동기 및 목표

• 기하학적 편향과 드리프트로 인해 전통적 방법이 실패하는 강하게 변형된 기하학적 특성과 위상 구조를 가진 형태 간에 고밀도 대응을 확립하는 데 도전한다.
• 국소적 매끄러움을 가정하는 미분 변형 모델(예: 탄성, 투명판 스퍼라인)의 한계를 극복하여, 매우 다양성이 큰 형태 집합에 적합하지 않은 문제를 해결한다.
• 소수의 위상 구조가 다른 예제로부터 균형 잡힌 부분 기반 형태 공간을 학습하여 연속적이고 이산적인 변형을 모두 수용하는 현실적인 형태 합성 능력을 제공한다.
• 일관되고 고품질의 고밀도 대응을 갖춘 유연한 부분 조립을 학습함으로써 형태 집합의 실시간 상호작용 편집을 가능하게 한다.
• 과적합을 방지하고, 입력 형태 간의 부분 레이아웃과 위상 구조가 크게 다를 경우에도 부분 매칭을 처리할 수 있는 강력한 프레임워크를 제공한다.

제안 방법

• 형태 집합을 부분별로 변형 가능한 요소로 표현하는 새로운 부분 기반 생성 통계적 형태 모델을 도입하여, 부분별 가우시안 분포를 활용해 위상 변화를 민첩하게 모델링한다.
• 다양한 위상 구조를 가진 훈련 형태로부터 부분 기반 모델을 학습하기 위한 새로운 분석 알고리즘을 개발하며, 최소 기술 길이 원칙을 통한 균형 최적화를 수행한다.
• 변형 가능한 부분 레이아웃과 일반적인 변동 제약 조건을 충족하는 새로운 형태 인스턴스를 생성하는 합성 방법을 설계하여 다양한 형태 공간 탐색을 가능하게 한다.
• 하이브리드 에너지 함수(기하학적, 부분, 엔트로피 항을 조합)를 사용해 유도된 형태 공간의 균형을 극대화함으로써, 굵은 대응을 국소 최적화 프레임워크로 정밀하게 개선한다.
• 단단한 표면 제약 조건과 부분 전용 정규화를 통합하여 국소 기하학을 유지하면서도 전반적인 변형을 허용함으로써 초기화에 대한 강건성을 향상시킨다.
• 형태 공간의 균형을 반복적으로 향상시키는 앙상블 최적화를 사용하여, 입력 대응의 충실도와 모델의 단순성 사이의 균형을 유지한다.

실험 결과

연구 질문

• RQ1 전역 변형 모델에 비해 상당한 기하학적 및 위상적 변형을 보이는 형태 집합에서 부분 기반 형태 모델이 고밀도 대응 품질을 향상시킬 수 있는가?
• RQ2 다양한 위상 구조를 가진 형태로부터 어떻게 생성 모델을 학습시켜 균형 잡히고 일반화 가능한 형태 공간 표현을 가능하게 할 수 있는가?
• RQ3 소수의 다양성이 큰 형태 샘플에서 학습할 경우 부분 기반 모델링이 과적합을 얼마나 줄이고 대응의 강건성을 향상시키는가?
• RQ4 전역 초기화 없이도 제안된 방법이 고밀도 대응을 높은 품질로 달성할 수 있으며, 도전적인 케이스에서 기존 최고 수준의 방법과 비교해 어떻게 성능을 내는가?
• RQ5 이 방법은 연속적이고 이산적인 부분 수준의 변형을 수용하면서 실시간 상호작용 편집에 얼마나 효과적인가?

주요 결과

• 제안된 방법은 SHREC 2007 벤치마크에서 검증된 바에 따르면, 네 발 다리 동물, 새, 물고기, 테디베어 등 다양한 형태 집합에서 기존 최고 수준의 방법보다 훨씬 뛰어난 고밀도 대응 품질을 달성한다.
• 부분 기반 모델링은 과적합을 줄이고 전역 자세 상관관계를 방지하여, 강한 변형이나 다양한 부분 레이아웃을 가진 경우 결과 품질을 떨어뜨리는 문제를 완화한다.
• 이 방법은 일반적인 위상의 메esh와 서로 다른 위상 구조를 가진 형태 간의 부분 매칭을 성공적으로 처리하여, 복잡한 형태 집합 간의 강력한 대응 학습을 가능하게 한다.
• 학습된 부분 기반 모델에서 생성된 형태들은 현실적인 변형을 보이며 일관된 부분 수준의 구조를 유지하여, 형태 공간 탐색 및 편집 능력을 입증한다.
• 최적화 프레임워크는 굵은 초기화 조건에서도 고밀도 대응을 높은 품질로 달성하며, 유도된 형태 공간은 합리적인 보간과 샘플링을 지원하여 이전 접근 방식에서 흔히 발생하는 아티팩트를 피한다.
• as-rigid-as-possible, 투명판 스퍼라인, 블렌디드 인트리닉 매핑 등의 방법과 비교해 제안된 방법은 특히 변형이 심한 형태 집합에서 드리프트와 기하학적 아티팩트가 적은 대응을 생성한다.