SharpNet: Enhancing MLPs to Represent Functions with Controlled Non-differentiability

Resumen Técnico: SharpNet

Declaración del Problema
Los perceptrones multicapa (MLP) son herramientas estándar para la aproximación de funciones y la representación de geometría (por ejemplo, Funciones de Distancia con Signo neuronales en NeRFs y SDFs). Sin embargo, los MLP estándar con funciones de activación suaves producen salidas globalmente suaves ($C^\infty$), mientras que los MLP basados en ReLU son solo lineales por tramos ($C^0$), pero carecen de un control preciso sobre la ubicación de la no diferenciabilidad. Esta limitación dificulta que los métodos existentes representen funciones que son continuas pero que poseen discontinuidades de gradiente intencionales (bordes afilados, esquinas o ejes mediales) en ubicaciones específicas, ya sean definidas por el usuario o aprendibles. Los enfoques existentes, como los métodos basados en rejillas (InstantNGP) o los métodos de subdivisión de parches (NH-Rep), a menudo introducen artefactos, artefactos alineados con la rejilla o fallan al manejar características afiladas abiertas (no cerradas) y topologías complejas.

Metodología
Los autores proponen SharpNet, una arquitectura de MLP diseñada para representar funciones que son suaves en casi todas partes, pero que exhiben una no diferenciabilidad controlada ($C^0$ continuidad con saltos de gradiente) en ubicaciones prescritas.

1. Función de Característica mediante la Ecuación de Poisson:
   SharpNet aumenta la entrada estándar del MLP con una función de característica auxiliar, $f: \Omega \to \mathbb{R}$. Esta función se define como la solución de la ecuación de Poisson con condiciones de contorno de Neumann de salto en un conjunto de características $M$ (una curva en 2D o una superficie en 3D):

   • $\nabla^2 f(x) = h(x)$ para $x \in \Omega \setminus M$.
   • Condición de continuidad: $f$ es continua a través de $M$.
   • Condición de salto: La derivada normal de $f$ exhibe una discontinuidad de salto a través de $M$.

   Utilizando la tercera identidad de Green, la solución se expresa como una integral de frontera que involucra la función de Green del Laplaciano. Para eficiencia computacional, los autores simplifican esto estableciendo $h(x)=0$ y la magnitud del salto en 1, reduciendo la función de característica a una integral de la función de Green sobre el conjunto de características $M$.

2. Localización y Aceleración:
   Para evitar el alto costo de la integración global, los autores introducen un mollifier (una función suave de soporte compacto). Esto permite que la integral global se descomponga en una suma de integrales locales. La función de característica se computa como una suma ponderada de contribuciones locales, asegurando que la función permanezca $C^0$ en $M$ y $C^\infty$ en otros lugares. Esta formulación es totalmente diferenciable con respecto a la geometría de $M$, lo que permite la optimización conjunta.

3. Arquitectura de Red y Composición:
   La red final se define como $\Phi_\theta(x, f(x))$, donde $x$ son las coordenadas espaciales y $f(x)$ es la característica auxiliar. El análisis teórico (Teorema 3.1) confirma que si la red es localmente sensible al canal de característica (es decir, $\partial \Phi / \partial f \neq 0$), la no diferenciabilidad de $f$ se transfiere a la salida.

   Para manejar geometrías complejas donde la magnitud del salto de gradiente cambia abruptamente (por ejemplo, en las uniones de bordes afilados), el conjunto de características $M$ se particiona en subconjuntos disjuntos $\{M^{(i)}\}$. Cada subconjeto está asociado con una función de característica distinta $f^{(i)}$. La entrada de la red concatena estas múltiples funciones de característica, permitiendo al modelo representar saltos de derivada direccional que varían por tramos.

4. Optimización:
   El marco soporta dos modos:

   • Características Fijas: Cuando la geometría de la característica $M$ es conocida (por ejemplo, desde una malla), $f$ se trata como un prior fijo.
   • Características Aprendibles: Cuando $M$ es desconocida, los parámetros que definen la geometría de $M$ se optimizan conjuntamente con los pesos del MLP $\theta$. La diferenciabilidad de la función de característica con respecto a $M$ permite el aprendizaje de extremo a extremo de las ubicaciones de las características afiladas.

Contribuciones Clave

• No Diferenciabilidad Controlada: SharpNet proporciona una forma fundamentada de imponer continuidad $C^0$ con discontinuidades de gradiente en ubicaciones específicas, ya sean prescritas por el usuario o aprendibles, superando la limitación de suavidad global de los MLP estándar.
• Formulación Sin Malla (Meshless): A diferencia de los métodos basados en parches o rejillas, SharpNet no requiere la subdivisión del dominio o el particionamiento de mallas. Puede representar bordes afilados abiertos (no cerrados) y topologías complejas sin las restricciones topológicas de los árboles CSG o las intersecciones de parches.
• Geometría de Característica Aprendible: El método introduce una función de característica diferenciable basada en la ecuación de Poisson, lo que permite aprender las ubicaciones de las características afiladas a partir de datos (por ejemplo, nubes de puntos) sin requerir una segmentación previa.
• Evaluación Eficiente: El uso de mollifiers e integrales de la función de Green de forma cerrada en segmentos de línea/triángulos permite una evaluación local eficiente, haciendo que el enfoque sea escalable para la reconstrucción 3D.

Resultados
Los autores validan SharpNet en tareas de ajuste de campos de distancia 2D y reconstrucción de CAD 3D:

• Experimentos 2D: En el ajuste de distancia geodésica y el aprendizaje de ejes mediales, SharpNet (usando la activación Softplus) recupera con precisión las transiciones afiladas y los ejes mediales. Supera a los MLP estándar (que sobresuavizan), a los MLP basados en ReLU (que introducen pliegues espurios) y a InstantNGP (que produce artefactos alineados con la rejilla).
• Reconstrucción de CAD 3D:
  • Desde Mallas: SharpNet reconstruye modelos con bordes afilados de manera más precisa que NH-Rep, particularmente para curvas afiladas abiertas y formas de alto género, donde NH-Rep falla debido a las limitaciones de la subdivisión de parches.
  • Desde Puntos Orientados: SharpNet supera a InstantNGP y SIREN en Distancia de Chamfer (CD), Distancia de Hausdorff (HD) y Error de Normal (NE), recuperando eficazmente los bordes afilados sin artefactos de rejilla.
  • Desde Puntos Crudos: En ausencia de supervisión de normales, SharpNet supera a NeurCADRecon y SIREN, demostrando robustez en el aprendizaje tanto de la geometría como de las características afiladas a partir de nubes de puntos no orientadas.
• Métricas Cuantitativas: En todos los conjuntos de datos (100 modelos CAD), SharpNet logra consistentemente valores más bajos de CD, HD y NE, y puntuaciones F-1 más altas en comparación con las líneas base del estado del arte.

Significancia y Reivindicaciones
El artículo afirma que SharpNet ofrece una alternativa flexible y precisa a las representaciones de campos neuronales existentes para geometrías con características afiladas. Al aprovechar la teoría de EDP clásica (ecuación de Poisson con condiciones de Neumann de salto) y las funciones de Green, cierra la brecha entre las aproximaciones neuronales suaves y la necesidad de fidelidad geométrica afilada. Los autores enfatizan que su método evita la "filtración" de la nitidez hacia regiones no deseadas (un problema en la interpolación basada en mallas o rejillas) y soporta el aprendizaje conjunto de la geometría de las características, lo que lo hace aplicable a escenarios donde las características afiladas no se conocen a priori. El trabajo posiciona a SharpNet como un soporte superior para la reconstrucción implícita de CAD, capaz de manejar estructuras complejas, abiertas y de alto género que desafían los enfoques actuales basados en parches o rejillas.