[논문 리뷰] The Wreath Process: A totally generative model of geometric shape based on nested symmetries

Diana Borsa, Thore Graepel외 1명|arXiv (Cornell University)|2015. 06. 09.

3D Shape Modeling and Analysis참고 문헌 12인용 수 3

한 줄 요약

이 논문은 군론적 와퍼 곱을 사용하여 중첩된 대칭성을 통해 기하 도형을 표현하는 완전히 생성적 확률 모델인 스토하스틱 와퍼 프로세스(stochastic wreath process)를 소개한다. 노이즈 프로세스를 계층적 변환군과 정렬함으로써, 역행 가능한 점프 MCMC와 근사 베이지안 계산을 통해 도형의 생성력사에 대한 베이지안 추론이 가능해지며, 노이즈가 섞인 스케치와 모델 생성 데이터로부터 복잡한 대칭적 구조를 성공적으로 복원한다.

ABSTRACT

We consider the problem of modelling noisy but highly symmetric shapes that can be viewed as hierarchies of whole-part relationships in which higher level objects are composed of transformed collections of lower level objects. To this end, we propose the stochastic wreath process, a fully generative probabilistic model of drawings. Following Leyton's "Generative Theory of Shape", we represent shapes as sequences of transformation groups composed through a wreath product. This representation emphasizes the maximization of transfer --- the idea that the most compact and meaningful representation of a given shape is achieved by maximizing the re-use of existing building blocks or parts. The proposed stochastic wreath process extends Leyton's theory by defining a probability distribution over geometric shapes in terms of noise processes that are aligned with the generative group structure of the shape. We propose an inference scheme for recovering the generative history of given images in terms of the wreath process using reversible jump Markov chain Monte Carlo methods and Approximate Bayesian Computation. In the context of sketching we demonstrate the feasibility and limitations of this approach on model-generated and real data.

연구 동기 및 목표

• 계층적 부분-전체 관계와 중첩된 대칭성을 기반으로 한 기하 도형의 완전한 생성 모델을 개발하기 위해.
• 실제 스케치의 노이즈를 다룰 수 있도록 레이튼의 도형 생성 이론을 확률적 요소로 확장하기 위해.
• 단일 관측 이미지로부터 도형의 생성력사를 확률적 방법을 통해 추론하기 위해.
• 하나의 하위구조를 재사용하고 전이를 극대화함으로써 도형 이해, 편집 및 구조 복원을 위한 원칙적인 프레임워크를 제공하기 위해.
• 합성 및 실제 기하 스케치, 특히 건축 평면도를 포함한 복잡한 실세계 도형에 대해 모델의 타당성을 입증하기 위해.

제안 방법

• 모델는 변환군의 와퍼 곱을 사용하여 계층적 도형 생성을 표현하며, 군의 복합을 통해 부분-전체 관계를 인코딩한다.
• 노이즈는 와퍼 곱 계층의 각 수준과 정렬된 독립적 프로세스로 모델링되어 생성 일관성이 보장된다.
• 스토하스틱 렌더링 파이프라인은 와퍼 프로세스에서 픽셀 수준의 이미지를 생성하여 실제 스케치의 결함을 시뮬레이션한다.
• 모델 공간 탐색과 가장 가능성이 높은 생성력사 추론을 위해 역행 가능한 점프 마르코프 체인 몬테카를로(RJ-MCMC)가 사용된다.
• 정확한 계산이 불가능할 경우 가능성을 근사하기 위해 근사 베이지안 계산(ABC)이 사용되며, 이는 실제 스케치 데이터에 대한 추론을 가능하게 한다.
• 추론 기법은 더 단순한 설명과 더 높은 전이를 선호하여, 압축되고 의미 있는 도형 표현을 촉진한다.

실험 결과

연구 질문

• RQ1 중첩된 대칭성을 기반으로 한 확률적 생성 모델은 노이즈가 섞인 기하 스케치의 계층적 구조를 회복할 수 있는가?
• RQ2 스토하스틱 와퍼 프로세스는 단일 관측 이미지로부터 도형의 생성력사를 얼마나 잘 추론할 수 있는가?
• RQ3 실세계 스케치의 노이즈와 변동성에 대응하면서도, 모델은 얼마나 잘 구조적 규칙성을 유지하는가?
• RQ4 모델은 아키텍처 평면도와 같은 복잡한 실세계 도형으로 일반화될 수 있는가?
• RQ5 전이 극대화 원칙은 도형 표현과 추론의 강건성을 어떻게 향상시키는가?

주요 결과

• 스토하스틱 와퍼 프로세스는 모델 생성 데이터와 실제 손그림 기하 스케치 양쪽 모두에서 계층적 생성력사를 성공적으로 복원하여 대칭적 구조에 대한 타당성을 입증한다.
• RJ-MCMC와 ABC를 통한 추론은 입력 도형에 설명되지 않은 픽셀이나 비정상적인 요소가 포함되어 있어도 더 단순하고 전이를 극대화하는 설명을 선호한다.
• 정규 다각형과 격자형 배열과 같은 규칙적인 구조를 정확히 추론할 수 있으며, 특히 제안 메커니즘에 사전 정의된 제어 군을 사용할 경우 더욱 높은 정확도를 보인다.
• 드롬 오브 더 락과 빌라 라 로토니다와 같은 아키텍처 평면도의 경우, 알려진 구조적 레이아웃과 일치하는 기저의 대칭 패턴을 모델이 식별한다.
• 하나의 하위구조를 여러 번 재사용할 수 있도록 허용함으로써, 전역 대칭성을 유지하면서 지능적인 도형 편집을 가능하게 한다.
• 와퍼 곱의 구조에 기반한 좌표 체계는 도형 내 점을 자연스럽고 해석 가능한 방식으로 기술할 수 있게 하여 의미 있는 공간 추론을 가능하게 한다.