[논문 리뷰] Sparse Data Driven Mesh Deformation

Lin Gao, Yu‐Kun Lai외 4명|arXiv (Cornell University)|2017. 09. 05.

3D Shape Modeling and Analysis참고 문헌 41인용 수 17

한 줄 요약

이 논문은 과적합과 잡음 요소를 방지하기 위해 공간적으로 국한된 가장 관련성 있는 변형 모드만 선택하는 희소 데이터 기반 메쉬 변형 방법을 제안한다. 큰 회전에 대해 극도로 안정적이고 현실적인 상호작용 가능한 변형을 달성하기 위해, 큰 회전을 다루는 데 기반한 극좌표 분해 표현과 희소 블렌딩을 사용한다. 이는 최신 기술보다 더 안정적이고 현실적인 변형을 가능하게 한다.

ABSTRACT

Example-based mesh deformation methods are powerful tools for realistic shape editing. However, existing techniques typically combine all the example deformation modes, which can lead to overfitting, i.e. using a overly complicated model to explain the user-specified deformation. This leads to implausible or unstable deformation results, including unexpected global changes outside the region of interest. To address this fundamental limitation, we propose a sparse blending method that automatically selects a smaller number of deformation modes to compactly describe the desired deformation. This along with a suitably chosen deformation basis including spatially localized deformation modes leads to significant advantages, including more meaningful, reliable, and efficient deformations because fewer and localized deformation modes are applied. To cope with large rotations, we develop a simple but effective representation based on polar decomposition of deformation gradients, which resolves the ambiguity of large global rotations using an as-consistent-as-possible global optimization. This simple representation has a closed form solution for derivatives, making it efficient for sparse localized representation and thus ensuring interactive performance. Experimental results show that our method outperforms state-of-the-art data-driven mesh deformation methods, for both quality of results and efficiency.

연구 동기 및 목표

• 모든 가용 변형 모드를 블렌딩하는 기존 데이터 기반 메쉬 변형 방법에서 발생하는 과적합과 불안정성을 해결하기 위해.
• 공간적으로 국소화된 변형 모드의 희소 부분집합만 선택하여 변형 품질을 향상시키기 위해.
• 새로운 극좌표 분해 기반 표현을 통해 큰 회전에 대해 강력하고 효율적인 변형을 가능하게 하기 위해.
• 최적화 과정에서 사전 계산과 닫힌 형태의 도함수를 통해 실시간 성능를 달성하기 위해.

제안 방법

• 기저 집합에서 가장 관련성이 높은 변형 모드만 자동으로 선택하는 희소 블렌딩 전략을 제안하여 과적합을 줄이고 안정성을 향상시킨다.
• 큰 전역적 회전에서의 모호함을 해결하기 위해 변형 기울기의 극좌표 분해 기반 표현을 도입한다.
• 극좌표 분해의 도함수를 닫힌 형태로 해결하여 효율적인 최적화와 실시간 성능를 가능하게 한다.
• 가우스-뉴턴 최적화에서 불변 항목을 사전 계산하여 수렴 속도를 10배 이상 향상시킨다.
• 공간적으로 국소화된 변형 모드의 희소 표현을 적용하여 관심 영역 외부의 의도하지 않은 변화를 최소화한다.
• 희소성 제약 조건이 있는 비선형 최소 제곱 문제를 최적화하여 압축되고 의미 있는 블렌딩을 보장한다.

실험 결과

연구 질문

• RQ1 희소한 변형 모드 선택이 데이터 기반 메쉬 변형의 현실성과 안정성 향상에 기여하는가?
• RQ2 큰 회전을 데이터 기반 변형 프레임워크에서 잡음 없이 안정적으로 표현할 수 있는가?
• RQ3 변형 표현에 대해 닫힌 형태의 도함수를 사용하면 희소 블렌딩에서 실시간 성능를 달성할 수 있는가?
• RQ4 공간적으로 국소화된 변형 모드를 사용할 경우, 전역적으로 지원되는 모드에 비해 의도하지 않은 전역적 변형이 감소하는가?
• RQ5 사전 계산이 희소 데이터 기반 변형의 최적화 과정을 상당히 가속화할 수 있는가?

주요 결과

• 제안된 방법은 변형 품질과 계산 효율성 측면에서 최신 기술보다 뛰어난 성능을 보였다.
• 희소 블렌딩과 국소화된 모드의 사용은 빌드된 시각적 비교를 통해 잡음과 의도하지 않은 전역적 변화를 효과적으로 제거함을 입증했다.
• 극좌표 분해 기반 표현은 큰 회전을 일관되게 처리할 수 있게 하여 기존 방법이 애로를 겪는 모호함을 해결했다.
• 사전 계산 덕분에 가우스-뉴턴 단계당 시간이 38ms에서 1ms로 감소하여 일반 하드웨어에서도 실시간 성능가능해졌다.
• 불변 항목의 사전 계산 덕분에 최적화 속도가 10배 이상 향상되어 상호작용 가능한 변형이 가능해졌다.
• 실험 결과는 복잡하거나 극도로 변형된 시나리오에서도 더 현실적이고 신뢰할 수 있는 변형을 생성함을 확인했다.