論文要約：静電気学に着想を得た表面復元 (EISR)

1. 問題設定 (Problem)

3D 形状の復元において、Implicit Surface Reconstruction (ISR) は Signed Distance Function (SDF) を用いて形状を表現する標準的な手法となっています。従来の SDF 学習手法は、SDF がEikonal 方程式（$\|\nabla \phi(x)\| = 1$）の解であることを利用していますが、以下の課題が存在します。

• 非線形性の難しさ: Eikonal 方程式は非線形であるため、直接解くのが困難です。多くの手法は、再構成損失と Eikonal 損失のバランスを取るための複雑な正則化に依存しており、収束が遅く、最適化の制約が厳しいです。
• 過剰な教師データ: 高精度な SDF を学習させるためには、形状の周囲に大量の点と距離のペア（点 - 距離サンプル）が必要であり、現実のシナリオではこの監督データを得ることが困難です。
• 高周波詳細の再現: 既存の手法は、限られたパラメータで高周波の詳細（細部）を再現するのが苦手な場合があります。

2. 提案手法 (Methodology)

著者らは、Eikonal 方程式の代わりにポアソン方程式 (Poisson's Equation) を用いた新しいアプローチを提案しています。これは静電気学の理論に着想を得たもので、形状の内部に分布する正の電荷密度 $\rho(x)$ による静電ポテンシャルを SDF の代わりとして扱います。

2.1 定式化

対象形状 $\Omega$ の境界 $\partial\Omega$ を、ポアソン方程式の解であるスカラー場 $\phi(x)$ の等値面（Iso-surface）として定義します。
$$\Delta \phi(x) = -\frac{\rho(x)}{\epsilon_0}$$
ここで、$\rho(x) > 0$（内部に正の電荷が存在）、$\phi(x) = \tau$（境界上では一定値）とします。
ポアソン方程式の解は、最小値の原理（Minimum Principle）により、電荷密度が正であれば境界で最小値を取り、内部ではそれより大きくなる性質を持つため、SDF と同様の符号付き距離場として機能します。

2.2 グリーン関数による解析解

ポアソン方程式は線形であるため、グリーン関数 (Green's functions) を用いて解析的に解くことができます。
$$\phi(x) = -\frac{1}{\epsilon_0} \int_{\mathbb{R}^3} G(x-s) \rho(s) ds$$
ここで、$G$ はラプラシアンのグリーン関数です。

2.3 ガウス電荷の重ね合わせ (Superposition)

積分を効率的に計算し、パラメータ化するために、電荷密度 $\rho(x)$ を等方性ガウス分布の和として表現します。
$$\rho_\theta(x) = \sum_{i=1}^K Q_i \cdot \mathcal{N}(x; s_i, \sigma_i)$$
線形性により、全体のポテンシャルは個々のガウス電荷によるポテンシャルの重ね合わせ（Superposition）として表せます。個々のガウス電荷によるポテンシャルは、誤差関数 (erf) を用いた閉形式（Closed-form）で計算可能です：
$$\phi_i(x) = \frac{Q_i}{4\pi\epsilon_0 \|x-s_i\|} \operatorname{erf}\left(\frac{\|x-s_i\|}{\sqrt{2}\sigma_i}\right)$$
最終的な形状の潜在場は、これら $K$ 個のガウス電荷（形状プリオア）の和となります。

2.4 学習プロセス

目標形状の表面点 $X \subset \partial\Omega$ を与えられた場合、以下の損失関数を最適化して電荷パラメータ（位置 $s_i$、大きさ $Q_i$、広がり $\sigma_i$）を学習します。

1. 境界条件損失 ($L_{bc}$): 表面点上で $\phi(x) = \tau$ となるように強制する。
2. 電荷制限損失 ($L_{cr}$): 電荷が形状内部に存在するように強制する（表面から外れないようにする）。

これにより、PDE 正則化損失を明示的に課す必要がなくなり、損失関数は形状の幾何学的復元に集中できます。

3. 主な貢献 (Key Contributions)

1. 代理 PDE の導入: Eikonal 方程式に代わるポアソン方程式を採用し、SDF 近似における高コストな損失関数を回避しました。
2. 解析的解と重ね合わせ: ポアソン方程式の線形性とグリーン関数を活用し、ターゲット形状を PDE 解の重ね合わせとして解析的に表現しました。
3. 高効率な詳細表現: 比較的小さな数のパラメータ（ガウス電荷）で、ターゲット形状の高周波詳細（微細な凹凸など）を高精度に近似できることを実証しました。

4. 実験結果 (Results)

• データセット: Stanford 3D Scanning Repository および Williams et al. のデータセットを使用。
• ベースライン: 従来の Implicit Geometric Regularization (IGR) および古典的なポアソン表面復元 (Poisson Surface Reconstruction) と比較。
• 精度:
  • Chamfer Distance (dC) と Hausdorff Distance (dH): 多くのケースで IGR や、法線ベクトルを完全な正解情報（Ground-truth normals）として使用したポアソン復元を上回る、あるいは同等の結果を達成しました。
  • 高周波詳細: 1,000 個程度の電荷でも全体の形状を復元でき、電荷数を増やすことで（例：50,000 個）、アーマディロの背中のひだやウサギの鼻などの微細な詳細を鮮明に復元できました。
  • 法線不要: ポアソン復元のベースラインが法線ベクトルを必要とするのに対し、EISR は点雲のみから学習可能です。
• 初期化の影響: 電荷の初期分布の標準偏差を小さくすると高周波詳細が強調され、大きくすると低周波の形状全体が強調される傾向があることが確認されました。これは、小さな $\sigma$ がフーリエ変換において高周波成分に寄与するためです。

5. 意義と結論 (Significance & Conclusion)

この論文は、3D 形状復元において、物理法則（静電気学）と PDE の解析的性質を深く統合した新しいパラダイムを示しています。

• 計算効率と解釈可能性: 深層学習モデル全体を学習するのではなく、物理的に意味のあるパラメータ（電荷）を最適化することで、モデルの解釈可能性を高めつつ、PDE 制約を明示的に満たす解を得ています。
• データ効率: 従来の SDF 学習に比べて、高品質な復元に必要なパラメータ数が少なく、限られた教師データでも高周波詳細を捉える能力に優れています。
• 今後の展望: 現在は完全な教師あり学習（表面点の提供）に依存していますが、将来的にはフォトメトリック損失との組み合わせや、凹面や平坦面に対するプリオアの拡張などが期待されます。

EISR は、SDF ベースの手法の限界を克服し、物理に基づいた効率的で高精度な 3D 形状表現の新たな道を開く重要な研究です。