技術要約：ブレンデッド・チャート・サーフェス (Blended Chart Surfaces)

問題提起

現代の幾何学的処理には、コンパクトかつ明示的であり、幅広いトポロジーと幾何学的詳細をサポートできる表面表現が求められている。極めて重要な点として、これらの表現はグローバルな滑らかさの保証（例：$C^k$ または $C^\infty$）を提供し、微分量（法線、表面エネルギーなど）への信頼できるアクセスを可能にしつつ、微分可能な最適化パイプラインとの互換性を維持しなければならない。

既存の手法は、以下のような重大なトレードオフに直面している：

• 暗黙的表現 (Implicit Representations): 複雑なトポロジーに対して柔軟で最適化も容易であるが、これらは体積的（$\mathbb{R}^3 \to \mathbb{R}$）であり、コンパクトではない。シミュレーションや製造などのダウンストリームのアプリケーションで明示的な表面を必要とする場合、アイソサーフェス抽出（例：マーチングキューブ法）が必要となるが、これは区分線形近似を生み出し、非平滑なアーティファクトを導入して微分推定の安定性を低下させる。
• 明示的表現 (Explicit Representations): スプラインや細分曲面（subdivision surfaces）といった古典的な手法は連続性の保証を提供するが、ターゲット形状への学習ベースのフィッティングには適さないことが多い。ニューラルな明示的代替案（例：パッチベースのモデル）は、パッチ境界での継ぎ目アーティファクト、微分の不連続性、あるいはグローバルなパラメータ化に関する制約的な仮定（例：円盤や球のトポロジーを要求する）に悩まされることが多い。

中心となる課題は、事前に計算されたグローバルなパラメータ化を必要とせず、暗黙的なターゲットに対して微分可能な最適化をサポートしながら、コンパクトで表現力豊か、かつ構成的に滑らかな明示的表面表現を構築することである。

手法：ブレンデッド・チャート・サーフェス (BCS)

著者らは、ユーザーが提供した粗いプロキシメッシュ（単体複体）の上に、グローバルに滑らかな表面を構築するネットワークフリーの明示的表現であるブレンデッド・チャート・サーフェス (BCS) を提案している。この手法は、表面のトポロジー（プロキシによって保持される）と幾何学的詳細（滑らかなローカルパッチによって保持される）を分離する。

コア構成要素

1. 局所多項式写像 (Local Polynomial Maps):

   • 各粗いプロキシメッシュの頂点 $v_i$ に対して、局所多項式写像 $p_i$ が割り当てられる。
   • これらの写像はワンリング座標 (one-ring coordinates) を用いて定義される。頂点 $v_i$ について、周囲の三角形は単位正三角形へとアフィン変換され、2Dドメインへと「平坦化」される。これにより、角度 $\theta$ が頂点のバレンス $\eta$ に基づいてリスケールされた極座標系 $(r, \theta)$ が作成され、ワンリングを単位円板へとマッピングする。
   • ローカル写像 $p_i$ は、$p_i(t) = s_i R_i m_i(t) + v_i$ として構成される。ここで $m_i$ は、ワンリング座標における学習可能な多項式関数（例：二次式）であり、$s_i, R_i, v_i$ は粗いプロキシの幾何学から導出されるスケール、回転、および平行移動のパラメータである。この構成により、プロキシの剛体運動およびスケーリングに対する等変性が保証される。

2. 分割の単位によるブレンディング (Partition-of-Unity Blending):

   • グローバルな滑らかさを確保するために、局所写像は滑らかな分割の単位による重み付けスキームを用いてブレンドされる。
   • 1Dの場合（曲線）: 隣接する頂点関数は、遷移写像とブレンディング関数 $B(t)$ を用いて、重なり合う区間 $[-1, 1]$ 上でブレンドされる。
   • 2Dの場合（曲面）: 三角形 $ijk$内の点$x$ において、表面点は3つの頂点関数の加重和として計算される：
     $$c_{ijk}(x) = p_i(\text{oc}_{ijk}^i(x))B_{2D}(x,i) + p_j(\text{oc}_{ijk}^j(x))B_{2D}(x,j) + p_k(\text{oc}_{ijk}^k(x))B_{2D}(x,k)$$
   • 2Dブレンディング関数 $B_{2D}$ は、指数型カーネルに基づく1Dの滑らかな遷移関数から導出される。著者らは、この関数が $C^\infty$ 連続条件（境界での微分値の消失）および分割の単位の性質を満たすように特別に設計している。

3. 最適化:

   • この表現は、ターゲット形状のグローバルなパラメータ化を必要としない。代わりに、ローカル多項式の係数 $m_i$ を、暗黙的なターゲット（例：符号付き距離関数 (SDF)、ニューラルSDF、または無符号距離関数）に直接適合するように最適化する。
   • 目的関数は、BCS表面と暗黙的場のゼロレベルセットとの間の距離を最小化する（例：表面上の平均絶対SDF値の最小化）。
   • 折り畳みを防ぎ安定性を確保するために、正規化項（例：暗黙的勾配との法線整列）を追加することができる。

主な貢献

1. コンパクトで明示的なネットワークフリー表現: BCSは、重なり合う局所多項式パッチの集合によって定義される、完全に明示的な表面表現を提供する。これは $O(d_{poly}^2 |V|)$ のパラメータ（ここで $|V|$ はプロキシの頂点数、$d_{poly}$ は多項式の次数）を必要とし、高密度のMLPによる高いパラメータ数を回避している。
2. 保証されたグローバルな滑らかさ ($C^\infty$): 構成により、ブレンディングスキームは、基礎となるプロキシメッシュに鋭いエッジやコーナーが含まれている場合でも、結果として得られる表面がパッチ境界を越えて $C^\infty$ 滑らかであることを保証する。これは、ブレンディング関数の特定の設計とワンリング座標の使用によって達成される。
3. トポロジー非依存性: BCSは、標準的なドメイン（球や円盤など）ではなく、ユーザー提供のプロキシメッシュにアンカーされているため、任意のトポロジー（メビウスの帯のような非向き付け可能曲面や境界を持つ曲面を含む）をサポートする。
4. 微分可能性と微分量へのアクセス: この表現は完全に微分可能であり、自動微分を通じて位置、法線、および表面エネルギー（例：弾性エネルギー）の安定した評価を可能にする。これにより、エンドツーエンドの最適化と物理シミュレーションへの潜在的な利用が促進される。
5. 等変性: 構成はプロキシメッシュの剛体運動およびスケーリングに対して等変であり、幾何学的変換の下で一貫した挙動を保証する。

結果と評価

著者らは、多様なトポロジー（種数0から4）および幾何学的複雑さを持つ表面を用いて、解析的な暗黙的場および学習されたニューラル暗黙的場へのBCSの適合性を評価している。

• 定性的性能: BCSは、パッチ境界にわたって滑らかな、高忠実度の再構成を実現している。誤差マップは、ターゲットとなる暗黙的場からの偏差が低いことを示している。本手法は、複雑なトポロジー（種数4の「Fertility」モデルなど）や非向き付け可能曲面（メビウスの帯）を効果的に扱う。
• ベースラインとの比較:
  • 補間スプライン: Djurenら [DFK*25] の研究と比較して、BCSはより優れた表面適合品質を実現している。なぜなら、補間スプラインはプロキシの頂点に適合するために頂点関数を独立して最適化するのに対し、BCスはターゲット形状に対して頂点関数を共同で最適化するためである。
  • ブレンディング関数: 提案された「滑らかな遷移」ブレンディング関数は、連続性の保証および曲率の安定性の観点において、バリセントリック（$C^0$ 連続のみ）、指数型（境界でゼロに達せず穴が生じる）、および三角関数型（$C^1$ 連続）よりも優れた性能を示した。
  • MLPディスプレイスメント: メッシュディスプレイスメントMLP（例：NGFM）とは異なり、BCSはプロキシメッシュの接線不連続性を保持せず、グローバルに滑らかな表面を生成する。
• 微分量: 本論文は、法線と平均曲率の安定した計算を実証している。また、弾性エネルギーの最適化能力も示しており、薄いシートの微分可能な物理シミュレーションへの潜在的な有用性を強調している。
• 圧縮: BCSは、コンパクトさと表現力の間の良好なトレードオフを提供する。約250個の頂点を持つプロキシと二次パッチを用いた場合、約4,500個のスカラー係数を使用し、これは同様のタスクで使用される小さなMLPと同等かそれ以下である。

意義と主張

論文は、ブレンデッド・チャート・サーフェスが、暗黙的表現の柔軟性と明示的表現の有用性の間の溝を埋めることに成功したと主張している。グローバルなパラメータ化なしに、暗黙的なターゲットに対して直接最適化可能な、コンパクトで明示的かつ $C^\infty$ 滑らかな表現を提供することで、BCSは現在の幾何学的処理パイプラインにおける決定的な限界に対処している。

著者らは、本手法が特に以下の分野において重要であると強調している：

• 微分可能な最適化: 表面幾何学の安定した勾配ベースの適合および最適化を可能にする。
• 微分幾何学: 区分線形または低次連続表現では不安定または未定義になりがちな、高次の微分量（法線、曲率、エネルギー）への信頼できるアクセスを提供する。
• 物理シミュレーション: 表現の固有の2D性と滑らかさにより、薄いシートや弾性材料をシミュレートするための自然なフレームワークを提供する。

結論として、本手法はプロキシメッシュの品質に敏感であり、特定の正規化なしには鋭い特徴を滑らかにしてしまう可能性があるものの、特徴認識型の拡張、アニメーション化された表面、および粗いプロキシを条件とした生成モデリングのための堅牢な基礎を提供するものである。