Electrostatics-Inspired Surface Reconstruction (EISR): Recovering 3D Shapes as a Superposition of Poisson's PDE Solutions

1. 문제 정의 (Problem)

기존의 3D 형상 복원 (Surface Reconstruction) 방법, 특히 암시적 표면 복원 (Implicit Surface Reconstruction, ISR) 은 대부분 **부호 거리 함수 (Signed Distance Function, SDF)**를 학습하는 데 의존합니다.

• 기존 접근법의 한계: SDF 는 **Eikonal 방정식 ($\|\nabla \phi(x)\| = 1$)**의 해로 간주됩니다. 그러나 이 방정식은 비선형 (non-linear) 이기 때문에 해를 구하거나 신경망을 통해 근사하는 것이 어렵습니다.
• 과도한 감독 (Supervision): 현재 최첨단 (SotA) 방법들은 Eikonal 방정식을 만족시키기 위해 복잡한 손실 함수 (PDE-loss) 를 사용하거나, SDF 를 학습하기 위해 표면에 매우 밀집된 점 - 거리 쌍 (point-distance pairs) 과 같은 방대한 양의 감독 데이터를 필요로 합니다. 이는 실제 시나리오에서 데이터 수집이 어렵거나 계산 비용이 너무 높다는 문제를 야기합니다.
• 수렴 지연: 비선형 PDE 를 다루기 위한 손실 함수 간의 균형 (reconstruction loss vs. Eikonal loss) 을 맞추는 과정에서 최적화 수렴이 느려지고, 재구성 품질이 제한됩니다.

2. 제안 방법론 (Methodology)

저자들은 Eikonal 방정식 대신 물리학의 정전기학 (Electrostatics) 이론에서 영감을 받아 **푸아송 방정식 (Poisson's Equation)**을 새로운 대리 PDE (proxy PDE) 로 도입했습니다.

핵심 아이디어: 정전기 퍼텐셜로서의 형상

• 푸아송 방정식 적용: 대상 형상 $\Omega$ 내부에 양의 전하 밀도 $\rho(x) > 0$가 분포한다고 가정합니다. 이때 전위 $\phi(x)$는 다음 푸아송 방정식을 따릅니다.
  $$\Delta \phi(x) = -\frac{\rho(x)}{\epsilon_0}$$
  여기서 $\Delta$는 라플라시안 연산자입니다.
• 경계 조건: 대상 형상의 표면 $\partial \Omega$에서 전위 $\phi(x)$가 일정값 $\tau$를 가지도록 설정합니다.
• 최소 원리 (Minimum Principle): 전하 밀도가 양수일 때, 푸아송 방정식의 해는 영역 내부에서 경계보다 항상 큰 값을 가집니다. 이는 SDF 와 유사하게 내부 ($\phi > \tau$) 와 외부 ($\phi < \tau$) 를 명확히 구분하여 마칭 큐브스 (Marching Cubes) 알고리즘을 통한 메쉬 추출을 가능하게 합니다.

해의 해석적 유도 및 선형성 활용

1. 그린 함수 (Green's Functions) 활용: 푸아송 방정식은 선형 PDE 이므로, 그린 함수를 사용하여 해석적으로 해를 구할 수 있습니다. 전위 $\phi(x)$는 그린 함수 $G$와 전하 밀도 $\rho(x)$의 합성곱 (convolution) 으로 표현됩니다.
   $$\phi(x) = G * \rho(x)$$
2. 가우시안 전하 분포 (Gaussian Charge Distributions): 임의의 전하 분포를 계산하는 것은 비효율적이므로, 전하 밀도를 **K 개의 등방성 가우시안 함수 (shape priors)**의 합으로 파라미터화합니다.
   $$\rho_\theta(x) = \sum_{i=1}^K Q_i \cdot \mathcal{N}(x; s_i, \sigma_i)$$
   여기서 $s_i$는 전하 위치, $Q_i$는 전하량, $\sigma_i$는 전하 확산 범위입니다.
3. 닫힌 형식 (Closed-form) 해: 가우시안 전하에 대한 푸아송 방정식의 해는 오차 함수 (erf) 를 사용하여 닫힌 형식으로 유도됩니다.
   $$\phi_i(x) = \frac{Q_i}{4\pi\epsilon_0 \|x - s_i\|} \text{erf}\left(\frac{\|x - s_i\|}{\sqrt{2}\sigma_i}\right)$$
4. 중첩 원리 (Superposition): 푸아송 방정식의 선형성을 이용하여, 전체 형상의 암시적 필드는 개별 가우시안 전하에 대한 해들의 **선형 결합 (중첩)**으로 표현됩니다.
   $$\phi_{\Omega}(x) = \sum_{i=1}^K \phi_i(x)$$

학습 과정

• 손실 함수: PDE 정규화 손실이 필요 없으므로, 오직 형상 복원에 집중합니다.
  1. 경계 조건 손실 ($\mathcal{L}_{bc}$): 표면 점들에서 전위 값이 $\tau$가 되도록 강제합니다.
  2. 전하 제한 손실 ($\mathcal{L}_{cr}$): 전하들이 형상 내부에 위치하도록 유도하여 마칭 큐브스 추출의 안정성을 보장합니다.
• 최적화: 가우시안 전하의 파라미터 ($s_i, Q_i, \sigma_i$) 를 학습하여 목표 형상에 맞춥니다.

3. 주요 기여 (Key Contributions)

1. Eikonal 방정식의 대체: 비용이 많이 드는 PDE 손실 함수를 제거하고, 푸아송 방정식을 기반으로 한 새로운 암시적 형상 표현을 제안했습니다.
2. 해석적 해와 선형성 활용: 그린 함수를 통해 PDE 의 해를 해석적으로 구하고, 선형성을 이용해 타겟 형상을 소수의 파라미터 (가우시안 전하) 의 중첩으로 표현했습니다.
3. 고주파 세부 사항의 효율적 표현: 상대적으로 적은 수의 파라미터 (전하) 만으로도 타겟 형상의 고주파 세부 사항 (high-frequency details) 을 잘 복원할 수 있음을 입증했습니다.

4. 실험 결과 (Results)

• 데이터셋: Stanford 3D Scanning Repository 및 Williams et al. 데이터셋을 사용했습니다.
• 비교 대상: Implicit Geometric Regularization (IGR) 및 전통적인 Poisson Reconstruction 과 비교했습니다.
• 성능:
  • 정확도: Chamfer Distance (dC) 와 Hausdorff Distance (dH) 에서 IGR 및 정면법선 (ground-truth normals) 을 사용하는 Poisson Reconstruction 보다 경쟁력 있거나 더 우수한 결과를 보였습니다.
  • 세부 표현: 5,000 개의 가우시안 전하만으로도 전체 형상을 잘 복원하며, 전하 수를 늘리면 (예: 50,000 개) 아르마딜로 등 복잡한 패턴의 주름이나 토끼의 코와 같은 고주파 세부 사항을 정확하게 재현했습니다.
  • 효율성: 기존 SDF 기반 방법들이 수백만 개의 그리드 포인트를 학습해야 하는 반면, EISR 은 수만 개의 전하 파라미터만으로 고해상도 메쉬를 생성할 수 있어 표현이 매우 효율적입니다.
• 초기화 민감도: 전하의 초기 확산 (spread, $\sigma$) 분포가 결과에 영향을 미칩니다. 작은 $\sigma$는 고주파 세부 사항을, 큰 $\sigma$는 저주파 전체 형태를 담당하는 것을 확인했습니다.

5. 의의 및 결론 (Significance)

• 물리 기반 머신러닝 (PIML) 의 성공 사례: 복잡한 신경망 아키텍처나 대규모 감독 데이터 없이도, 물리 법칙 (푸아송 방정식) 을 직접 모델에 통합하여 효율적이고 해석 가능한 3D 형상 표현을 가능하게 했습니다.
• 간소화된 최적화: 비선형 PDE 를 풀기 위한 복잡한 손실 함수 균형 조절이 불필요해져 학습이 더 빠르고 안정적입니다.
• 확장성: 이 방법은 점군 (point cloud) 만으로도 3D 형상을 복원할 수 있으며, 향후 컬러 정보나 조명 정보를 추가하여 렌더링까지 확장할 수 있는 잠재력을 가집니다.

요약하자면, EISR 은 정전기학의 선형성을 활용하여 3D 형상을 가우시안 전하의 중첩으로 표현함으로써, 기존 SDF 기반 방법들의 한계 (높은 감독 비용, 비선형 PDE 의 어려움) 를 극복하고 효율적이고 정밀한 3D 재구성을 달성한 혁신적인 접근법입니다.