[論文レビュー] Neural-Singular-Hessian: Implicit Neural Representation of Unoriented Point Clouds by Enforcing Singular Hessian

Zixiong Wang, Yunxiao Zhang+7 more|arXiv (Cornell University)|Sep 4, 2023

3D Shape Modeling and Analysis被引用数 4

ひとこと要約

本稿では、表面付近のニューラル関数のヘッセ行列が特異であるように制約を課すことにより、方向が不定な点群から暗黙的ニューラル表面再構成を実現する新規手法Neural-Singular-Hessianを提案する。微分幾何学的原則を活用することで、表面に近い点の勾配をその表面への射影点の法線と一致させ、ゴーストジオメトリを抑制し、細部を高精度に保持する粗〜細かい再構成を実現する。従来の適合ベース手法に比べ、方向が不定なデータにおいて優れた性能を発揮する。

ABSTRACT

Neural implicit representation is a promising approach for reconstructing surfaces from point clouds. Existing methods combine various regularization terms, such as the Eikonal and Laplacian energy terms, to enforce the learned neural function to possess the properties of a Signed Distance Function (SDF). However, inferring the actual topology and geometry of the underlying surface from poor-quality unoriented point clouds remains challenging. In accordance with Differential Geometry, the Hessian of the SDF is singular for points within the differential thin-shell space surrounding the surface. Our approach enforces the Hessian of the neural implicit function to have a zero determinant for points near the surface. This technique aligns the gradients for a near-surface point and its on-surface projection point, producing a rough but faithful shape within just a few iterations. By annealing the weight of the singular-Hessian term, our approach ultimately produces a high-fidelity reconstruction result. Extensive experimental results demonstrate that our approach effectively suppresses ghost geometry and recovers details from unoriented point clouds with better expressiveness than existing fitting-based methods.

研究の動機と目的

• 方向が不明な点群から、信頼性の高い法線が得られない状況でも、正確で詳細な表面を再構成する課題に対処すること。
• 幾何的事前知識が弱いか欠落している場合に、暗黙的ニューラル表現における形状の忠実性を向上させ、ゴーストジオメトリを抑制すること。
• 符号付き距離関数（SDF）の内在的微分幾何的性質を活用する正則化戦略を開発すること。
• 真のSDFの教師信号や法線情報に依存せずに、効果的かつ一般化可能な再構成を可能にすること。
• 徐々に特異ヘッセ正則化項を弱める（アンニュール）ことで、粗〜細かい最適化を実現すること。

提案手法

• 表面に近い点において、ニューラル暗黙関数のヘッセ行列が行列式がゼロ（特異）となるように制約を課す。これは、SDFのヘッセ行列が表面周辺の薄いシェル領域内では特異であるという微分幾何学的性質に基づく。
• この正則化により、表面に近い点の勾配がその点の表面への射影点における法線ベクトルと一致し、幾何学的整合性が向上する。
• 特異ヘッセ項は微分可能な損失項として導入され、訓練中に徐々に減少（アンニュール）させることで、粗〜細かい最適化を可能にする。
• 本手法はSIRENに基づくニューラルネットワークを用いて暗黙関数を表現し、提案されたヘッセ正則化を伴う勾配降下法で最適化する。
• 本手法は適合ベースおよび形状空間学習の両設定に適用可能であり、多様な点群分布にわたる一般化を示している。
• 形状作用素とモース理論に基づく幾何的制約を導入することで、Eikonal項やLaplacianエネルギー項への依存を回避している。

実験結果

リサーチクエスチョン

• RQ1 ニューラル暗黙関数に特異ヘッセ行列を課すことにより、方向が不定な点群からの表面再構成が向上するか？
• RQ2 従来のEikonalやLaplacian正則化と比較して、ヘッセ行列の特異性正則化はゴーストジオメトリをより効果的に抑制するか？
• RQ3 法線情報が欠落している状況でも、細かな幾何的ディテールを保持できるか？
• RQ4 特異ヘッセ項をアンニュールすることで実現される粗〜細かい最適化戦略はどの程度有効か？
• RQ5 教師信号や法線情報なしに、多様な形状や点群分布に一般化可能か？

主な発見

• ThreedScansデータセットにおいて、本手法はチェンバーディスタンスが0.15を達成し、PCP（4.44）やDiGS（0.92）を著しく上回り、優れた再構成精度を示した。
• 同じベンチマークにおいて、アバニール形状ではF-Scoreが9.90を達成し、PCP（1.41）やDiGS（0.22）を上回り、形状の忠実性が優れていることを示した。
• ドラゴン形状では、ノーマルコンシステンシー得点が98.53を記録し、PCP（94.32）やDiGS（97.41）を上回り、法線の整合性が向上したことを示した。
• DFAUSTにおける形状空間学習では、法線情報や教師信号なしに信頼性の高い再構成を生成し、視覚的品質においてIGR、SAL、DiGSを上回った。
• ThreedScansデータセットでは平均F-Scoreが80.81を達成し、NG（38.79）を上回り、法線情報付きSIREN（81.40）に近い性能を発揮した。
• アブレーションスタディにより、特異ヘッセ正則化が、Laplacianやヘッセエネルギーと比較して形状アーチファクトの抑制とトポロジーの保持に優れていることが確認された。