[论文解读] Breaking Bad: A Dataset for Geometric Fracture and Reassembly

Silvia Sellán, Yunchun Chen+3 more|arXiv (Cornell University)|Oct 20, 2022

Image Processing and 3D Reconstruction被引用 15

一句话总结

本论文提出了 Breaking Bad，一个包含一百万个物理上逼真、几何上自然的断裂图案的大规模数据集，这些图案源自 10,474 个基础 3D 模型，通过一种快速的、基于模式的断裂模拟生成。该数据集可用于几何重组模型的基准测试，揭示了由于碎片几何复杂性、碎片数量变化大以及形状不规则所带来的显著挑战，当前最先进深度学习模型在该任务上的表现仅达到中等水平。

ABSTRACT

We introduce Breaking Bad, a large-scale dataset of fractured objects. Our dataset consists of over one million fractured objects simulated from ten thousand base models. The fracture simulation is powered by a recent physically based algorithm that efficiently generates a variety of fracture modes of an object. Existing shape assembly datasets decompose objects according to semantically meaningful parts, effectively modeling the construction process. In contrast, Breaking Bad models the destruction process of how a geometric object naturally breaks into fragments. Our dataset serves as a benchmark that enables the study of fractured object reassembly and presents new challenges for geometric shape understanding. We analyze our dataset with several geometry measurements and benchmark three state-of-the-art shape assembly deep learning methods under various settings. Extensive experimental results demonstrate the difficulty of our dataset, calling on future research in model designs specifically for the geometric shape assembly task. We host our dataset at https://breaking-bad-dataset.github.io/.

研究动机与目标

• 为机器学习中的几何断裂重组研究解决缺乏大规模、物理基础数据集的问题。
• 模拟 3D 物体自然的、物理上合理的断裂过程，而非语义分解。
• 为评估和推进深度学习模型在几何形状重组中的应用提供基准。
• 推动未来在断裂模拟、重建和 3D 形状理解方面的研究。

提出的方法

• 通过使用预计算的、基于物理的断裂算法，为每个基础模型计算 20 种断裂模式来生成数据集。
• 对于每种断裂模式，采样 80 个额外的随机撞击投影，以生成多样化的断裂图案。
• 通过利用预计算的模式，该方法在计算成本较低的前提下，确保了物理上逼真且几何自然的断裂图案。
• 基础模型来源于 Thingi10K 和 PartNet，涵盖日常物品、人工制品和游戏资源。
• 该数据集包含超过一百万个独特的断裂图案，每个图案均带有详细的几何元数据（顶点、面、凸性等级）。
• 作者提供了代码和一个原型网站，以确保可复现性并促进未来研究。

实验结果

研究问题

• RQ1 自然断裂物体的几何复杂性和多样性如何挑战现有深度学习模型在形状重组任务中的表现？
• RQ2 当前最先进的形状重组模型在物理上逼真、非语义的断裂图案上的泛化能力如何？
• RQ3 自然断裂物体的关键几何和拓扑特性是什么，这些特性如何阻碍重组性能？
• RQ4 不同的几何度量（例如凸性等级、顶点/面数量）与重组难度之间的相关性如何？
• RQ5 所提出的数据集能否作为未来几何重组研究发展的稳健基准？

主要发现

• Breaking Bad 数据集包含 1,047,400 个断裂碎片，来自 10,474 个基础模型，平均每个模型有 100 个断裂图案。
• 最先进模型（Global、LSTM、DGL）在完整数据集上的表现仅达到中等水平，平均 Chamfer 距离为 15.7×10⁻³，碎片准确率为 24.6%。
• 表现最佳的模型（DGL）在日常物品子集上的碎片准确率达到 31.0%，表明仍有巨大提升空间。
• 每个物体的断裂碎片中位数为 100 个，且存在较高方差（四分位距：15–100），进一步增加了重组复杂度。
• 该数据集展现出高度的几何多样性，碎片的 25% 至 75% 分位数范围为每碎片 15.9–21.5 个顶点和 4.7–20.1 个面。
• 广泛的几何分析表明，碎片的凸性等级差异显著（中位数为 12.7×10⁻²），这是导致重组困难的重要原因。