[论文解读] Score-PA: Score-based 3D Part Assembly

Junfeng Cheng, Mingdong Wu+4 more|arXiv (Cornell University)|Sep 8, 2023

3D Shape Modeling and AnalysisEngineering被引用 3

一句话总结

该论文提出Score-PA，一种基于分数的3D零组件装配生成框架，通过建模部件位姿的条件分布，实现高质量且多样化的装配。它引入了快速预测-校正（FPC）采样器以加速推理，在基准数据集上的装配质量和多样性均优于当前最先进方法。

ABSTRACT

Autonomous 3D part assembly is a challenging task in the areas of robotics and 3D computer vision. This task aims to assemble individual components into a complete shape without relying on predefined instructions. In this paper, we formulate this task from a novel generative perspective, introducing the Score-based 3D Part Assembly framework (Score-PA) for 3D part assembly. Knowing that score-based methods are typically time-consuming during the inference stage. To address this issue, we introduce a novel algorithm called the Fast Predictor-Corrector Sampler (FPC) that accelerates the sampling process within the framework. We employ various metrics to assess assembly quality and diversity, and our evaluation results demonstrate that our algorithm outperforms existing state-of-the-art approaches. We release our code at https://github.com/J-F-Cheng/Score-PA_Score-based-3D-Part-Assembly.

研究动机与目标

• 为解决无预定义指令下的自主3D零件装配挑战，将该任务建模为条件概率分布估计问题。
• 在现有方法仅关注最小化位姿误差至真实值的基础上，进一步提升装配多样性。
• 通过一种新型采样算法，加速基于分数模型在3D零件装配中通常较慢的推理过程。
• 引入定量指标以评估装配多样性，弥补先前研究中缺乏此类指标的不足。

提出的方法

• 将3D零件装配建模为学习条件概率 $ p(\textbf{Q}_P \text{ } | \text{ } \textbf{P}) $，其中 $ \textbf{P} $ 为输入的零件集合，$ \textbf{Q}_P $ 为对应的位姿集合。
• 采用基于随机微分方程（SDE）的分数生成建模方法，利用图神经网络学习分数函数。
• 提出一种改进的分数匹配目标，用于对数条件密度估计，以建模位姿分布。
• 提出快速预测-校正（FPC）采样器，结合预测与校正步骤，并引入噪声衰减机制以加速收敛。
• 采用权重函数 $ \rho(t) = \frac{1}{2\text{log} \rho}(\rho^{2t} - 1) $，确保先验分布具有可计算性且与数据无关。
• 使用标准正态分布作为先验 $ p(\textbf{Q}_P(T)) $，当 $ T=1 $ 且 $ \rho $ 较大时，可实现高效采样。

实验结果

研究问题

• RQ1 基于分数的生成框架能否有效建模3D零件位姿的分布，从而在无真实标注监督下实现多样化且高质量的装配？
• RQ2 在3D零件装配背景下，如何在保持生成质量的前提下，加速基于分数模型的缓慢推理过程？
• RQ3 有哪些定量指标能够可靠评估3D零件装配结果的多样性，而不仅依赖于定性观察？
• RQ4 与标准采样器相比，所提出的FPC采样器在收敛速度和连接性准确率方面提升了多少？

主要发现

• Score-PA在装配质量方面达到最先进水平，在Chair数据集上实现3.355的形状切比雪夫距离（SCD），优于先前方法。
• 所提出的FPC采样器显著缩短了推理时间，在保持高质量输出的同时，收敛速度优于标准预测-校正（PC）采样器。
• FPC在连接性准确率方面表现更优，定性结果表明其生成的装配中部件断连现象少于PC及无噪声衰减的FPC。
• 质量-多样性评分（QDS）与加权质量-多样性评分（WQDS）表明，Score-PA生成的装配结果显著优于基线方法，多样性更高。
• 在Lamp数据集上，Score-PA实现44.51的零件准确率（PA）与30.32的连接性准确率（CA），表明其在复杂形状上的强大性能。
• 消融实验表明，加入噪声衰减的FPC优于无衰减的FPC及标准PC，尤其在保持结构完整性方面表现更优。