技術要約：Points as Tori: 点群に対する高速な点ごとの符号付き距離（Fast Pointwise Signed Distance for Point Clouds）

問題提起

符号付き距離関数（SDF）を計算することは、幾何学的モデリング、シミュレーション、およびレンダリングにおける根本的な課題である。$\mathbb{R}^n$ における水密（watertight）な幾何学に対してはSDFは明確に定義されているが、点群には「内側」と「外側」の明示的な定義が欠けているため、距離の符号は未定義となる。表面の再構成や距離の計算を行う既存の手法は、通常、グローバルな最適化、空間離散化（グリッドやオクトツリーなど）、または高価な反復ソルバーに依存している。これらのアプローチは、グローバルな解法を必要とするため、任意の解像度での効率的な点ごとの評価を妨げ、スケーラビリティ、リアルタイムのインタラクション、および大規模データへの対応において困難に直面することが多い。さらに、多くの学習ベースのアプローチは形状全体からSDFを直接学習しようとするが、これらは形状ごとの学習が必要であり、明示的な表面再構成なしでは不完全またはノイズの多いデータへの汎用性に欠ける。

手法

本論文では、Points as Tori (PAT) を提案する。これは、データに対して局所的にトーラス（torus）を適合させ、それらの解析的なSDFをブレンドすることで、点群に対する符号付き距離を計算する手法である。核心となる洞察は、トーラスが閉じた形式のSDF式を持ち、かつ（球状、楕円状、鞍型、円筒状、平面状などの極限的なケースとして）局所的な曲面を2次まで近似できるという点にある。

1. 理論的基礎：距離と占有率の統一

著者らは、符号付きHopf-Cole変換を用いることで、符号付き距離と古典的な再構成手法（ワインディング数およびポアソン表面再構成）の間の理論的な統一を確立している。

• 彼らは、符号付き距離が、ジャンプ境界条件を持つスクリーンド・ラプラス方程式の解として見なせることを導出した。
• スクリーニングパラメータ $\lambda \to \infty$ のとき、解は符号付き距離関数に収束する。
• 本論文では、2つの畳み込みによる距離近似公式を特定している。彼らは、標準的な「LogSumExp」型の公式（式16）は、距離を直接最小化しようとして近傍の点に吸着（snapping）してしまうことが多いため、点群に対しては脆弱であることを示している。
• 代わりに、彼らは自己正規化カーネル密度推定（式17）を利用する：
  $$\phi(x) = \frac{\sum_{i=1}^{|P|} g_i(x) \exp(-\lambda_x \|x - p_i\|)}{\sum_{i=1}^{|P|} \exp(-\lambda_x \|x - p_i\|)}$$
  ここで、$g_i(x)$ は点 $p_i$ に適合された局所的な幾何学的プロキシの符号付き距離関数を表す。この定式化により、グローバルな解法を必要とせずに点ごとのクエリが可能になる。

2. 局所的幾何学的プロキシ：トーラスの適合

$g_i(x)$ を定義するために、本手法では各点の近傍に対してトーラスを適合させる。

• パラメータ化: トーラスは、主半径 $R$、副半径 $r$、中心 $c$、および軸 $u$ によって定義される。これらは、局所的な表面幾形状（主曲率 $\kappa_{\max}, \kappa_{\min}$ および方向）とシフト係数から導出される。
• 学習ベースの適合: 脆いヒューリスティックや高価なロバスト統計を用いて局所曲率やシフトを推定する代わりに、著者らは、各点の $k$-最近傍近傍に対して局所多項式曲面の6つの係数（$a_{0,0}, \dots, a_{2,0}$）を予測するようにニューラルネットワークを訓練する。
• ネットワークアーキテクチャ: ネットワークは、隣接する点の重要性を重み付けするために自己注意（self-attention）を用いたトランスフォーマーベースのアーキテクチャを使用する。これはサイズ $k$ の近傍を入力として受け取り、多項式係数を出力し、それらは解析的にトーラスのパラメータ（半径、中心、軸、および符号）へと変換される。
• 符号の決定: トーラスのSDFの符号は、主曲率の相対的な符号によって決定され、これによりトーラスが正しい側（内側または外側）から表面に接するように（osculate）なる。

3. 推論と評価

トーラスの適合（前計算ステップ）が完了した後、グローバルなSDF $\phi(x)$ は、重み付き平均の公式（式25）を用いて任意のクエリ点 $x$ で評価される。

• 効率性: 評価は純粋に解析的であり、並列化可能である。線形システムを解いたり反復計算を行ったりする必要はない。
• 適応的 $\lambda$: 数値的な安定性と精度を確保するため、スクリーニングパラメータ $\lambda_x$ は、シフト指数関数を用いて、局所的な点の密度に基づいて動的に選択される。
• 加速: 大規模な点群の場合、総和は固定半径 $R_{eval}$ 内の点に制限され、必要に応じて $k$-最近傍へとフォールバックされる。

主な貢献

1. 高速な点ごとの評価: 本手法は、前計算後、任意の空間解像度において $O(1)$ の時間で符号付き距離の評価を可能にする。前計算については点群のサイズに対して線形にスケールする。グローバルな最適化や空間離散化を回避している。
2. 解析的なパラメータ化: トーラスを使用することで、本手法は微分可能で出力に敏感な閉じた形式のSDFを提供し、明示的なメッシュ再構成なしに、球面トレーシング、ブーリアン演算、形態学的演算などのアプリケーションへの直接的な利用を可能にする。
3. 理論的統一: 本論文は、符号付きHopf-Cole変換を通じて、符号付き距離、ワインディング数、およびポアソン再構成を統一する新しい理論的枠組みを提供し、なぜ特定の畳み込み公式が点群に対して成功し、他のものが失敗するのかを明らかにしている。
4. 学習駆動型の局所適合: このアプローチは、脆い曲率推定を、局所的な表面パラメータを学習する事前訓練済みニューラルネットワークに置き換えることで、ノイズ、外れ値、および不整合なサンプリングに対する堅牢性を実現している。

結果と性能

• 精度: ABC (CADモデル)、Thingi10K、およびプロシージャル生成形状を含むデータセットにおいて、PATは、Signed Hopf-Cole distance、Smoothed Signed Planar Distance、およびSigned Heat Method (SHM) といったベースライン手法と比較して、符号付き距離の平均絶対誤差が低いことを達成している。特に、他の手法が壊滅的な失敗や過度な平滑化を起こしやすい疎な点群において優れた性能を示す。
• 再構成品質: 計算されたSDFのゼロレベルセットは、特に疎またはノイズの多いデータに対して、Screened Poisson Surface Reconstruction (SPSR) や NN-VIPSS といった成熟した手法に匹敵する表面再構成を生成する。
• 速度:
  • クエリ時間: 数百万点の点群における単一の点に対するSDFの評価には、約 $10^{-4}$ から $10^{-3}$ 秒を要する。
  • 前計算: 100万点の点群に対するトーラスの適合には、標準的なCPU/GPU環境で約40秒を要する。
  • スケーラビリティ: 本手法は点群のサイズに対して線形にスケールし、2,900万点のデータセットに対しても、前計算時間は約12.5分であり、クエリ時間はミリ秒の範囲に留まる。
• アプリケーション: 著者らは、オフセット表面生成、点群のブーリアン演算、形態学的演算（侵食/膨張）、および球面トレーシングによる直接可視化を含む直接的な応用を実証している。また、3Dガウス分布やニューラルインプリシット関数に対しても、符号付き距離を正常に計算できる。

意義と主張

論文は、Points as Tori が、点群データを直接符号付き距離クエリの入力として扱うパラダイムシフトを提供し、多くのワークフローにおいて明示的な表面再構成の必要性を回避すると主張している。

• 堅牢性: 本手法は、手動で調整されたパラメータに依存する古典的な点集合手法よりも優れており、ノイズ、外れ値、不完全なサンプリング、および不整合な向きに対して耐性がある。
• 微分可能性: この表現は完全に微分可能であり、逆レンダリング、形状最適化、および生成モデリングのタスクに適している。
• 効率と品質のトレードオフ: 著者らは、特殊な再構成手法が完璧で高密度な幾何学に対してPATを上回る可能性があることを認めつつも、PATは速度、堅牢性、および点群上で直接幾何学的操作を実行できる能力において独自のバランスを提供している。
• 限界: 著者らは、本手法が再構成に特化したものではなく、訓練データと大きく異なるサンプリング特性（大きな穴や極端な疎性など）を持つ点群に対して苦戦する可能性があることを謙虚に述べている。また、現在の前計算ステップは無視できないものであることも指摘しており、将来的な加速と圧縮の余地があるとしている。

要約すると、本論文は、古典的な幾何学理論と現代的な学習技術を融合させることで、点群に対して高速、堅牢、かつ解析的に扱いやすい符号付き距離関数を提供し、グローバルな表面再構成のオーバーヘッドなしに幅広い幾何学的処理タスクを可能にする手法を提示している。