[논문 리뷰] Gauge Equivariant Mesh CNNs: Anisotropic convolutions on geometric graphs

Pim de Haan, Maurice Weiler외 2명|arXiv (Cornell University)|2020. 03. 11.

3D Shape Modeling and Analysis참고 문헌 50인용 수 45

한 줄 요약

Gauge Equivariant Mesh CNNs는 메시 그래프에서 비등방성의 게이지-등가 커널을 도입하여 병렬 수송된 방향 인식 특징 전파를 가능하게 하고 등방성 GCN보다 성능이 뛰어납니다.

ABSTRACT

A common approach to define convolutions on meshes is to interpret them as a graph and apply graph convolutional networks (GCNs). Such GCNs utilize isotropic kernels and are therefore insensitive to the relative orientation of vertices and thus to the geometry of the mesh as a whole. We propose Gauge Equivariant Mesh CNNs which generalize GCNs to apply anisotropic gauge equivariant kernels. Since the resulting features carry orientation information, we introduce a geometric message passing scheme defined by parallel transporting features over mesh edges. Our experiments validate the significantly improved expressivity of the proposed model over conventional GCNs and other methods.

연구 동기 및 목표

• 지역 기하학성과 방향성을 반영하는 메시에서의 컨볼루션 필요성에 대한 동기를 제시합니다.
• 비등방성의 게이지-등가 커널을 가능하게 하는 그래프 컨볼루션의 최소한의 수정 제안을 합니다.
• 임의의 기준 방향에 의존하지 않도록 게이지 등가성을 보장합니다.
• 탄젠트 공간 표현과 병렬 이송을 통해 이웃 정보를 집계하는 실용적인 프레임워크를 개발합니다.

제안 방법

• 게이지 변환에 대해 등가인 비등방성 커널 K_neigh(θ)와 K_self를 구성합니다.
• 특성을 불가약 표현(ρ0, ρn)로 표현하고 기저 커널을 통해 이를 구성하여 입력/출력 타입을 커버합니다.
• 탄젠트 평면에서 이웃 각도 θ_pq를 계산하고 컨볼루션 전에 ρ(g_q→p)로 이웃 특징 f_q를 병렬 이송합니다.
• 다음과 같이 커널 제약 조건을 강제합니다: K_neigh(θ−g) = ρ_out(−g) K_neigh(θ) ρ_in(g) 이고 K_self = ρ_out(−g) K_self ρ_in(g).
• forward GEM-CNN 패스를 f′_p = sum_i w_self^i K_self^i f_p + sum_{q∈N_p} sum_i w_neigh^i K_neigh^i(θ_pq) ρ(g_q→p) f_q으로 정의합니다.
• 비선형 계층에서 게이지 등가성을 유지하기 위해 Approximate Fourier 기반 처리를 통해 RegularNonlinearity를 도입합니다.

실험 결과

연구 질문

• RQ1 메시 컨볼루션을 확장하여 게이지 불변성을 해치지 않으면서 방향 정보를 어떻게 포착할 수 있는가?
• RQ2 주어진 불가약 표현 사이를 매핑하는 게이지-등가, 비등방성 커널의 완전한 커널 공간은 무엇인가?
• RQ3 게이지-등가적 비등방성 처리가 등방성 GCN에 비해 표현력과 성능을 개선하는가?
• RQ4 제안된 프레임워크가 다양한 임베딩 기하학을 가진 메시들 간에 일반화되면서 고유한 메시 기하학을 보존할 수 있는가?

주요 결과

• GEM-CNN은 비등방성의 게이지-등가 커널을 사용함으로써 기존 GCN보다 표현력이 훨씬 높아집니다.
• 임베디드 MNIST에서 GEM-CNN은 평면 기하에서 0.60 ± 0.05%의 테스트 오류를 달성하며, 등방성 베이스라인을 능가하고 평면 CNN 성능에 필적합니다.
• 방법은 등측 임베딩 및 메시 기하학 간 일반화가 가능하며 임베딩에 의존하지 않는 고유 메시 처리의 타당성을 확인합니다.
• (vertex 수에 대해) 선형 시간 및 선형 공간 복잡성을 가지며, 그래디언트는 자동 미분으로 지원됩니다.
• 모양 대응 실험에서 모델은 이전 방법들보다 성능이 우수하여 기하학적 작업에서 표현력 향상을 검증합니다.