技術要約: GenSP: 学習型形状生成モデルによる一貫した球面パラメータ化

問題提起

種数0（genus-0）の曲面に対する球面パラメータ化を計算することは、テクスチャ転送、形状対応、および幾何学的解析などのアプリケーションを可能にする、幾何学的処理における基本的なタスクである。平面パラメータ化とは異なり、球面マッピングは曲面を切断する必要がないため、歪みを導入する可能性がある離散的な最適化決定を回避できる。しかし、決定的な課題が残っている。任意の種数0の曲面に対して、無数の有効な球面パラメータ化（メビウス群を形成する）が存在することである。その結果、各形状に対して個別にパラメータ化を計算する既存の手法は、幾何学的に類似した形状間であっても、一貫性のないマッピングを生じさせることが多い。さらに、最新のフローベースの手法は、より高い一貫性を提供する一方で、特に細長い領域や高曲率領域において、高い幾何学的歪みが生じることが頻繁にある。

本研究の目的は、一連の種数0の形状に対して一貫した球面パラメータ化を学習するデータ駆動型フレームワークを開発することである。この手法は、幾何学的に正確であること（等長および共形歪みの最小化）と、意味論的に一貫していること（類似した形状が類似したパラメータ化を共有すること）の両立を目指している。

手法

提案するフレームフレームワークであるGenSPは、単位球面からデータセット内の形状への連続的なマッピングを予測するニューラル生成モデルを学習する。球面パラメータ化は、この学習された生成器の逆写像として導出される。このアプローチは、生成モデルの表現、球面と多様な入力形状間のギャップの架け橋、および局所解に陥ることのない対応関係の初期化という3つの基本課題に対処するため、4つの明確なステージで構成されている。

1. データ拡張 (ステージ I)

主要な課題は、単位球面（$S_0$）が、不均質なデータセット（例：ShapeNet）の自然な形状空間の外側に位置することが多く、球面からターゲット形状への滑らかな潜在軌跡を学習することが困難であることである。

• アプローチ: 本手法は、入力形状と球面の間のギャップを埋める中間形状を生成することで、トレーニングデータセットを拡張する。
• 実装: オフザシェルフのフローベース手法（CMCF）を用いて、各入力形状を球面に変形させる。スコアリング関数を用い、球面へのハウスドルフ距離と累積変形エネルギーに基づいて、これらの変形の品質を評価する。最適な中間形状をサンプリングしてトレーニングセットに追加することで、球面を含む、より自然な分布を持つ種数0の形状空間を作成する。

2. 形状空間の学習 (ステージ II)

フレームワークは、オートエンコーダ・アーキテクチャを用いて、暗黙的な形状生成器と点群エンコーダを学習する。

• 構成要素: 点群エンコーダ（$e_\gamma$）は形状を潜在コードに写像し、暗黙的生成器（$f_\phi$）は潜在コードと空間座標から形状を再構成する。
• 正則化: 一貫性を確保するために、2つの特定の正則化損失を導入する。
  1. 潜在空間の正則化: 類似した形状が互いに近い潜在コードを持つことを強制し、最小全域木（spanning tree）の構築を容易にする。
  2. 変形正則化: 潜在コードを補間することで生成される中間形状が、変形を保持することを保証する。これは、変形エネルギーと絶対変位の比に基づいた正則化項を計算するために、簡略化された変形モデル（as-rigid-as-possibleの線形近似）を使用し、潜在空間の分布における不規則性に対処する。

3. 対応関係の初期化 (ステージ III)

メッシュ生成器をゼロから学習することは、球面と複雑な形状の間の初期対応関係の確立が困難であるため、局所解に陥りやすい。

• アプローチ: 直接的なマッピングの代わりに、本手法は、球面（$S_0$）をルートとする、トレーニング形状間の最小全域木（MST）を潜在空間内に構築する。
• 伝播: 対応関係は、木のエッジに沿ってルートからリーフへと伝播される。各エッジについて、暗黙的生成器を用いて中間形状を生成し、隣接するノード間で非剛体レジストレーション（as-rigid-as-possibleの事前知識を用いたもの）を実行する。このステップバイステップの伝播により、複雑な形状に対する初期の対応関係が、単一の大きなエラーの多い変形ではなく、意味のある小さな変形の経路の上に構築されることが保証される。

4. メッシュ生成器の微調整 (ステージ IV)

最終ステージでは、球面の点から表面の点を予測する連続的なニューラル変形モデル（メッシュ生成器 $g_\theta$）を訓練する。

• 訓練: モデルは、ステージIIIで導出された対応関係を用いて初期化される。その後、修正されたデータ損失（グランドトゥルース・メッシュへの距離の最小化）と変形正則化損失を用いて、エンコーダと共に結合して微調整される。
• 目的: 正則化損失は、写像のヤコビ行列がスケーリングされた単位行列に近くなるよう促し、等長および共形特性を促進する。このステップは、生成モデルから学習された一貫性を維持しながら、幾何学的歪みを最小化するようにパラメータ化を精緻化する。

主な貢献

1. 生成的定式化: 球面パラメータ化を、逆写像を通じてパラメータ化を得るニューラル生成モデルの学習として定式化する、新しいデータ駆動型フレームワーク。これにより、類似した形状間の一貫性が本質的に促進される。
2. 連続的ニューラル変形: 球面の座標と潜在コードから表面の点を予測する連続的なニューラル変形モデルを導入し、メッシュベースの生成モデルに共通する離散化アーティファクトを回避する。
3. 形状空間の拡張: 入力形状と球面の間の架け橋となる中間形状を用いてトレーニング空間を拡張する技術により、不均質な集合全体にわたる意味のある変形の学習を可能にする。
4. 堅牢な初期化: 中間形状を活用して信頼性の高い初期対応関係を計算する、スペアリングツリーベースの対応関係伝播戦略により、直接的な球面・形状間マッピングの困難さを克服する。
5. 正則化戦略: 暗黙的生成器（変形保持的な補間を確保するため）とメッシュ生成器（等長歪みを最小化するため）の両方に特化した正則化損失の開発。

実験結果

本手法は、ShapeNetデータセットの種数0の部分集合（1,000形状）およびD-FAUSTヒューマンデータセットを用いて評価された。

• 幾何学的歪み: GenSPは、フローベースの基準手法であるCMCFと比較して、幾何学的歪みを大幅に減少させた。ShapeNetにおいて、平均等長歪み（$\sigma_t$）をCMCFと比較して14.3倍、最大歪みを146倍減少させた。
• 一貫性: GenSPは優れたクロス形状一貫性を達成した。一貫性指標 $c(m_i, m_j)$ は、トップクラスの最適化ベースの基準手法であるSMATよりも3.6倍優れていた。
• 単射性: 形式的な保証はないものの、本手法は経験的にほぼ全単射（bijective）である。テストセットにおいて、91%の形状が完全な全単射のパラメータ化を生成し、自己交差する面の平均率はわずか**0.099%**であり、他のフローベースおよびステレオ投影法を上回った。
• 効率性: 推論時間は1秒未満であり、最適化ベースの基準手法（数分を要する）よりも大幅に速く、他の学習ベースの手法と同等またはそれ以上である。

意義と主張

論文は、GenSPが、高い幾何学的品質を持つ個別形状最適化手法と、高いクロス形状一貫性を持つフローベース手法の間のギャップを正常に埋めたと主張している。形状生成モデルを学習することで、本アプローチは、明示的なペアワイズ最適化を必要とせずに、類似した形状が一致したパラメータ化を共有することを保証する。著者らは、本手法がデータ事前分布を利用して最も一貫性があり低歪みな写像を選択することにより、「無限に存在する解」の問題に対する実用的な解決策を提供することを強調している。

本研究は、ニューラル幾何学的処理における重要な進歩として提示されており、形状生成モデルの学習が、球面パラメータ化のような固有の幾何学的問題を効果的に解決できることを示している。著者らは、現在のフレームワークが種数0の形状と外部表現に限定されていることを認めつつも、これがより高次の種数や固有の生成モデルへの研究の道を開くものであると述べている。