[论文解读] The Wreath Process: A totally generative model of geometric shape based on nested symmetries

Diana Borsa, Thore Graepel+1 more|arXiv (Cornell University)|Jun 9, 2015

3D Shape Modeling and Analysis参考文献 12被引用 3

一句话总结

本文提出了随机花环过程（stochastic wreath process），一种完全生成式的概率模型，通过群论中的花环积嵌套对称性来表示几何形状。通过将噪声过程与分层变换群对齐，该模型能够利用可逆跳跃马尔可夫链蒙特卡洛（reversible jump MCMC）和近似贝叶斯计算（Approximate Bayesian Computation），实现对形状生成历史的贝叶斯推断，成功从含噪草图和模型生成的数据中恢复出复杂的对称结构。

ABSTRACT

We consider the problem of modelling noisy but highly symmetric shapes that can be viewed as hierarchies of whole-part relationships in which higher level objects are composed of transformed collections of lower level objects. To this end, we propose the stochastic wreath process, a fully generative probabilistic model of drawings. Following Leyton's "Generative Theory of Shape", we represent shapes as sequences of transformation groups composed through a wreath product. This representation emphasizes the maximization of transfer --- the idea that the most compact and meaningful representation of a given shape is achieved by maximizing the re-use of existing building blocks or parts. The proposed stochastic wreath process extends Leyton's theory by defining a probability distribution over geometric shapes in terms of noise processes that are aligned with the generative group structure of the shape. We propose an inference scheme for recovering the generative history of given images in terms of the wreath process using reversible jump Markov chain Monte Carlo methods and Approximate Bayesian Computation. In the context of sketching we demonstrate the feasibility and limitations of this approach on model-generated and real data.

研究动机与目标

• 开发一种基于分层部件-整体关系与嵌套对称性的完全生成式几何形状模型。
• 通过引入随机性，将莱顿（Leyton）的形状生成理论扩展至处理含噪的真实草图。
• 利用概率方法，从未观测到的单张图像中推断形状的生成历史。
• 通过最大化子结构的迁移与重用性，提供一种原理清晰的形状理解、编辑与结构恢复框架。
• 在合成与真实几何草图（包括建筑平面图）上验证该模型的可行性。

提出的方法

• 模型使用变换群的花环积来表示分层形状生成过程，通过群复合编码部件-整体关系。
• 噪声被建模为与花环积分层结构中各层级对齐的独立过程，确保生成的一致性。
• 采用随机渲染流水线从花环过程生成像素级图像，模拟真实草图中的不完美特征。
• 使用可逆跳跃马尔可夫链蒙特卡洛（RJ-MCMC）探索模型空间，并推断最可能的生成历史。
• 当精确计算似然不可行时，采用近似贝叶斯计算（ABC）近似似然，实现在真实草图数据上的推断。
• 该推断方案偏好更简洁、转移性更高的解释，促进紧凑且有意义的形状表示。

实验结果

研究问题

• RQ1 基于嵌套对称性的概率生成模型能否恢复含噪几何草图的分层结构？
• RQ2 随机花环过程在仅从单张观测图像中推断形状生成历史方面表现如何？
• RQ3 该模型在考虑现实草图噪声与变异性的前提下，能在多大程度上保持结构规律性？
• RQ4 该模型能否推广至复杂真实形状（如建筑平面图）？
• RQ5 最大化迁移性原则如何提升形状表示与推断的鲁棒性？

主要发现

• 随机花环过程成功恢复了模型生成数据与真实手绘几何草图的分层生成历史，证明了其在对称结构上的可行性。
• 通过RJ-MCMC与ABC进行的推断倾向于选择更简洁、转移性更高的解释，即使输入形状包含未解释的像素或不规则性。
• 该模型能准确推断出规则多边形与网格状排列等规则结构，尤其在提案机制中使用预定义控制群时表现更优。
• 对于如圆顶清真寺与拉罗通达别墅等建筑平面图，模型能识别出与已知结构布局一致的潜在对称模式。
• 该方法通过允许对在形状中重复使用的子结构进行编辑，实现了智能形状操作，同时保持整体对称性。
• 基于花环积结构的坐标系为形状内点的描述提供了自然且可解释的方式，支持有意义的空间推理。