[論文レビュー] Sparse Data Driven Mesh Deformation

Lin Gao, Yu‐Kun Lai+4 more|arXiv (Cornell University)|Sep 5, 2017

3D Shape Modeling and Analysis参考文献 41被引用数 17

ひとこと要約

本稿では、過学習やアーチファクトを回避するため、空間的に局所化された最も関連性の高い変形モードのみを選択するスパースなデータ駆動型メッシュ変形手法を提案する。大回転を扱うために極座標分解に基づく表現とスパースブレンドを用いることで、最先端の手法よりもより安定的で現実的かつインタラクティブな変形を実現する。

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.

研究の動機と目的

• すべての利用可能な変形モードをブレンドする従来のデータ駆動型メッシュ変形手法における過学習と不安定性を解消すること。
• 空間的に局所化された変形モードのスパースサブセットの選択により、変形品質を向上させること。
• 新規の極座標分解に基づく表現を用いて、大回転においても頑健で効率的な変形を実現すること。
• 最適化プロセスにおける事前計算と閉形式導関数を用いることで、リアルタイム性能を達成すること。

提案手法

• 基礎セットから最も関連性の高い変形モードのみを自動的に選択するスパースブレンド戦略を提案し、過学習の低減と安定性の向上を図る。
• 大規模なグローバル回転における曖昧性を解消するため、変形勾配の極座標分解に基づく表現を導入する。
• 極座標分解の導関数に対して閉形式解を採用し、効率的な最適化とリアルタイム性能を実現する。
• ガウス＝ニュートン最適化における不変項の事前計算を実施し、収束を10倍以上高速化する。
• 空間的に局所化された変形モードのスパース表現を採用し、関心領域外の意図しない変化を最小限に抑える。
• スパarsity制約を課した非線形最小二乗問題により変形重みを最適化し、コンactかつ意味のあるブレンドを保証する。

実験結果

リサーチクエスチョン

• RQ1 変形モードのスパース選択は、データ駆動型メッシュ変形の現実性と安定性を向上させ得るか？
• RQ2 標準的手法が引き起こすアーチファクトを回避しつつ、大回転をデータ駆動型変形フレームワークで頑健に表現する方法は何か？
• RQ3 変形表現の閉形式導関数は、スパースブレンドにおけるリアルタイム性能を実現可能か？
• RQ4 グローバルにサポートされたモードと比較して、空間的に局所化された変形モードを用いることで、意図しないグローバル変形は減少するか？
• RQ5 事前計算は、スパースデータ駆動型変形における最適化プロセスを顕著に高速化できるか？

主な発見

• 提案手法は、変形品質と計算効率の両面で、最先端のデータ駆動型メッシュ変形技術を上回る。
• スパースブレンドと局所化モードの使用により、視覚的比較で示されるように、アーチファクトと意図しないグローバル変形が効果的に排除される。
• 極座標分解に基づく表現により、大回転の処理が一貫して可能となり、従来手法が抱える曖昧性が解消される。
• 事前計算のおかげで、ガウス＝ニュートンステップの処理時間が38msから1msに短縮され、一般的なハードウェアでもリアルタイム性能が達成される。
• 不変項の事前計算により最適化が10倍以上高速化され、インタラクティブな変形が現実可能になる。
• 実験結果から、本手法は特に複雑または著しく変形された状況において、より現実的で信頼性の高い変形を生成することが確認された。