[논문 리뷰] UCSG-Net -- Unsupervised Discovering of Constructive Solid Geometry Tree

Kacper Kania, Maciej Zięba외 1명|arXiv (Cornell University)|2020. 06. 16.

3D Shape Modeling and Analysis참고 문헌 39인용 수 41

한 줄 요약

UCSG-Net은 비지도 방식으로 3D 형태에 대한 구성적 솔리드 기하(CSG) 파스 트리를 예측하는 방법으로, CSG 계층과 점유 기반(occupancy-based) 연산을 사용하여 원시 파라미터로부터 형태를 재구성합니다. 이 접근법은 해석 가능한 CSG 트리와 지상 실제 파싱 트리 없이도 경쟁력 있는 재구성 품질을 제공합니다.

ABSTRACT

Signed distance field (SDF) is a prominent implicit representation of 3D meshes. Methods that are based on such representation achieved state-of-the-art 3D shape reconstruction quality. However, these methods struggle to reconstruct non-convex shapes. One remedy is to incorporate a constructive solid geometry framework (CSG) that represents a shape as a decomposition into primitives. It allows to embody a 3D shape of high complexity and non-convexity with a simple tree representation of Boolean operations. Nevertheless, existing approaches are supervised and require the entire CSG parse tree that is given upfront during the training process. On the contrary, we propose a model that extracts a CSG parse tree without any supervision - UCSG-Net. Our model predicts parameters of primitives and binarizes their SDF representation through differentiable indicator function. It is achieved jointly with discovering the structure of a Boolean operators tree. The model selects dynamically which operator combination over primitives leads to the reconstruction of high fidelity. We evaluate our method on 2D and 3D autoencoding tasks. We show that the predicted parse tree representation is interpretable and can be used in CAD software.

연구 동기 및 목표

• CSG 프레임워크를 사용한 해석 가능한 3D 형태 재구성을 촉진한다.
• 원시 매개변수와 비지도 CSG 파스 트리를 예측하는 엔드 투 엔드 신경망 모델을 개발한다.
• 훈련의 안정성을 위한 점유 값에서 작동하는 미분 가능한 CSG 계층을 도입한다.
• 2D CAD 유사 데이터와 3D ShapeNet 유사 데이터에서 비지도 CSG 파싱을 시연한다.

제안 방법

• 2D/3D CNN 인코더를 사용하여 입력을 잠재 벡터로 인코딩한다.
• SDF 형태로 다수의 원시 파라미터(형태 유형, 크기, 평행이동, 회전)를 예측한다.
• 학습 가능한 클리핑 파라미터 alpha를 사용하여 부호 있는 거리 값을 점유 값으로 변환한다.
• 학습 가능한 피연산자 선택(K_left, K_right)과 Gumbel-Softmax 재매개화를 사용하여 합집합, 교집합, 차집합을 수행하는 CSG 계층 스택으로 모양을 구성한다.
• 다층 합성을 안정화하기 위해 잠재 코드의 GRU 기반 정제를 통해 층별 정보를 전달한다.
• 두 단계로 학습한다: (i) 재구성과 파라미터 페널티의 엔드투엔드 최적화, (ii) 층 온도 tau를 줄여 해석 가능하고 one-hot CSG 선택으로 미세 조정한다.

실험 결과

연구 질문

• RQ1 신경망이 감독 없이 객체를 재구성하기 위한 사용 가능한 CSG 파스 트리를 발견할 수 있는가?
• RQ2 점유 값을 가진 CSG 연산이 2D 및 3D 데이터에서 표준 불린 연산을 얼마나 잘 근사할 수 있는가?
• RQ3 비지도 CSG 파싱이 CAD 파이프라인에서 실행 가능한 해석 가능한 표현을 산출하는가?
• RQ4 비지도 CSG 프레임워크에서 해석 가능성과 재구성 정확도 간의 트레이드오프는 무엇인가?

주요 결과

표 1. 2D CAD 재구성 — Chamfer 거리(CD) (작을수록 좋음) 모드 간 교차 방법 비교	k	i=0	i=∞
방법	모드	CSG-NetStack	Our	-
CSG-NetStack	Supervised	1	3.98	-	-	-
CSG-NetStack	Supervised	10	1.38	-	-	-
CSG-NetStack	RL	1	1.27	-	-	-
CSG-NetStack	RL	10	1.02	-	-	-
Our	Unsupervised	1	0.32	-	-	-

• 2D CAD 데이터에서 UCSG-Net은 감독된 CSG-Net 변형들보다 우수한 비지도 재구성 성능(CD 지표)을 달성합니다. 예: 0.32대 1.02–3.98.
• 본 방법은 의미 있는 CSG 파스 트리와 원시 선택을 발견하여 CAD 소프트웨어에서 렌더링 가능한 해석 가능한 재구성을 제공합니다.
• 3D ShapeNet 유사 데이터에서 고해석성 설정으로 Chamfer Distance가 2.085를 달성하는 반면, 여러 베이스라인(VP, SQ, BAE, BSP-Net)은 0.446~2.259 범위로, UCSG-Net이 해석 가능성 및 명시적 파스 트리 우선의 트레이드오프를 보임을 시사합니다.
• 이 방법은 계층 간에 원시를 재사용하여 복잡한 형상을 형성하고 재구성된 객체 내에서 의미적 부분(예: 날개, 선체)을 드러내는 능력을 보여줍니다.
• 모델은 이진 형태로 가지 치기될 수 있는 전체 CSG 트리의 복구를 지원하여 추가 후처리 없이 직접 메시 생성이 가능하게 합니다.