기술 요약: GenSP: 형상 생성 모델 학습을 통한 일관된 구형 파라미터화(Spherical Parameterization)

문제 정의

종수(genus)가 0인 곡면에 대한 구형 파라미터화를 계산하는 것은 텍스처 전송, 형상 대응(shape correspondence), 기하학적 분석과 같은 응용 분야를 가능하게 하는 기하 처리의 근본적인 과제입니다. 평면 파라미터화와 달리, 구형 매핑은 곡면을 절단할 필요가 없어 불연속적인 최적화 결정으로 인해 발생하는 왜곡을 방지할 수 있습니다. 그러나 임의의 종수-0 곡면에 대해 무수히 많은 유효한 구형 파라미터화(뫼비우스 군 형성)가 존재한다는 점이 핵심적인 도전 과제로 남아 있습니다. 결과적으로 각 형상에 대해 독립적으로 파라미터화를 계산하는 기존 방식들은 기하학적으로 유사한 형상들 사이에서도 일관되지 않은 매핑을 생성할 수 있습니다. 또한, 최신 플로 기반(flow-based) 방식들은 더 나은 일관성을 제공하지만, 특히 얇거나 곡률이 높은 영역에서 높은 기하학적 왜곡을 겪는 경우가 빈번합니다.

본 연구의 목표는 데이터 기반 프레임워크를 개발하여 일련의 종수-0 형상들에 대해 일관된 구형 파라미터화를 학습하는 것입니다. 이 방법은 기하학적으로 정확할 뿐만 아니라(등거리 및 공형 왜곡 최소화), 유사한 형상이 유사한 파라미터화를 공유하도록 하여 의미론적 일관성을 보장하는 것을 목표로 합니다.

방법론

제안된 프레임워크인 GenSP는 단위 구(unit sphere)로부터 데이터셋 내의 형상들로의 연속적인 매핑을 예측하는 신경 생성 모델을 학습합니다. 구형 파라미터화는 학습된 생성기의 역매핑(inverse mapping)으로서 도출됩니다. 이 접근 방식은 세 가지 근본적인 과제—생성 모델의 표현, 구와 다양한 입력 형상 간의 간극 해소, 그리고 로컬 미니마(local minima)에 빠지지 않는 초기 대응 관계 설정—를 해결하기 위해 네 가지 단계로 구성됩니다.

1. 데이터 증강 (단계 I)

주요한 어려움 중 하나는 단위 구($S_0$)가 이질적인 데이터셋(예: ShapeNet)의 자연스러운 형상 공간 외부에 위치하는 경우가 많아, 구에서 타겟 형상으로 이어지는 매끄러운 잠재 궤적(latent trajectories)을 학습하기 어렵다는 점입니다.

• 접근 방식: 본 방법은 입력 형상과 구 사이의 간극을 메우는 중간 형상들을 생성함으로써 학습 데이터셋을 증강합니다.
• 구현: 기성 플로 기반 방식(CMCF)을 사용하여 각 입력 형상을 구로 변형합니다. 스코어링 함수는 구에 대한 하우스도르프 거리(Hausdorff distance)와 누적 변형 에너지를 기준으로 이러한 변형의 품질을 평가합니다. 가장 우수한 중간 형상들을 샘플링하여 학습 세트에 추가함으로써, 구를 포함하는 보다 자연스러운 종수-0 형상 공간의 분포를 생성합니다.

2. 형상 공간 학습 (단계 II)

프레임워크는 오토인코더 구조를 사용하여 암시적 형상 생성기(implicit shape generator)와 포인트 클라우드 인코더를 학습합니다.

• 구성 요소: 포인트 클라우드 인코더($e_\gamma$)는 형상을 잠재 코드(latent codes)로 매핑하며, 암시적 생성기($f_\phi$)는 잠재 코드와 공간 좌표로부터 형상을 재구성합니다.
• 정규화: 일관성을 보장하기 위해 두 가지 특정 정규화 손실(regularization losses)이 도입됩니다.
  1. 잠재 공간 정규화: 유사한 형상이 서로 가까운 잠재 코드를 갖도록 강제하여 스패닝 트리(spanning tree) 구축을 용이하게 합니다.
  2. 변형 정규화: 잠재 코드를 보간하여 생성된 중간 형상들이 변형을 보존하도록 보장합니다. 이는 변형 에너지를 절대 변위로 나눈 비율을 기반으로 하는 축소된 변형 모델(as-rigid-as-possible의 선형 근사)을 사용하여 잠재 공간 분포의 불규칙성을 해결합니다.

3. 대응 관계의 초기화 (단계 III)

구와 복잡한 형상 사이의 초기 대응 관계를 설정하는 것이 어렵기 때문에, 메쉬 생성기를 처음부터 직접 학습하는 것은 로컬 미니마에 빠지기 쉽습니다.

• 접근 방식: 직접적인 매핑 대신, 구($S_0$)를 루트(root)로 하여 학습된 형상들 사이의 최소 스패닝 트리(MST)를 구축합니다.
• 전파: 대응 관계는 트리의 엣지를 따라 루트에서 리프(leaf) 노드로 전파됩니다. 각 엣지에 대해, 암시적 생성기를 사용하여 중간 형상을 생성하고, 인접한 노드 간에 비강체 등록(non-rigid registration, as-rigid-as-possible 사전 지식 활용)을 수행합니다. 이 단계별 전파 과정은 복잡한 형상에 대한 초기 대응 관계가 단 한 번의 크고 오류가 발생하기 쉬운 변형이 아니라, 의미 있고 작은 변형들의 경로를 통해 구축되도록 보장합니다.

4. 메쉬 생성기 미세 조정 (단계 IV)

마지막 단계에서는 구의 점들을 표면의 점들로 매핑하는 연속적인 신경 변형 모델(메쉬 생성기 $g_\theta$)을 학습합니다.

• 학습: 이 모델은 단계 III에서 도출된 대응 관계를 사용하여 초기화됩니다. 이후 수정된 데이터 손실(그라운드 트루스 메쉬와의 거리 최소화)과 변형 정규화 손실을 함께 사용하여 인코더와 공동으로 미세 조정됩니다.
• 목표: 정규화 손실은 매핑의 자코비안(Jacobian)이 스케일링된 항등 행렬(scaled identity matrix)에 가깝도록 유도하여 등거리 및 공형 특성을 촉진합니다. 이 단계는 생성 모델로부터 학습된 일관성을 유지하면서 기하학적 왜곡을 최소화하도록 파라미터화를 정교화합니다.

주요 기여

1. 생성적 정식화: 구형 파라미터화를 역매핑을 통해 얻어지는 신경 생성 모델을 학습하는 것으로 정식화한 새로운 데이터 기반 프레임워크를 제안합니다. 이는 본질적으로 유사한 형상들 사이의 일관성을 유도합니다.
2. 연속적 신경 변형: 메쉬 기반 생성 모델에서 흔히 나타나는 이산화 아티팩트(discretization artifacts)를 피하여, 구 좌표와 잠재 코드로 표면 점을 예측하는 연속적인 신경 변형 모델을 도입합니다.
3. 형상 공간 증강: 구와 입력 형상 사이를 연결하는 중간 형상들로 학습 공간을 확장하는 기술을 통해, 이질적인 컬렉션 전반에서 의미 있는 변형을 학습할 수 있게 합니다.
4. 강건한 초기화: 중간 형상을 활용하여 신뢰할 수 있는 초기 대응 관계를 계산하는 스패닝 트리 기반의 대응 관계 전파 전략을 통해, 구에서 형상으로의 직접적인 매핑 문제를 극복합니다.
5. 정규화 전략: (변형 보존 보간을 위한) 암시적 생성기와 (등거리 왜곡을 최소화하기 위한) 메쉬 생성기 모두를 위한 특정 정규화 손실을 개발했습니다.

실험 결과

본 방법은 ShapeNet(1,000개의 형상)의 종수-0 부분 집합과 D-FAUST 인간 데이터셋을 대상으로 평가되었습니다.

• 기하학적 왜곡: GenSP는 기존 방식보다 기하학적 왜곡을 크게 줄였습니다. ShapeNet에서 플로 기반 베이스라인인 CMCF와 비교했을 때, 평균 등거리 왜곡($\sigma_t$)을 14.3배, 최대 왜곡을 146배 감소시켰습니다.
• 일관성: GenSP는 우수한 교차 형상 일관성(cross-shape consistency)을 달 achieves 합니다. 일관성 지표 $c(m_i, m_j)$는 최상위 최적화 기반 베이스라인인 SMAT보다 3.6배 더 우수했습니다.
• 단사성(Bijectivity): 공식적으로 보장되지는 않으나, 경험적으로 거의 단사적입니다. 테스트 세트에서 91%의 형상이 완전한 단사적 파라미터화를 생성했으며, 자기 교차하는 면(self-intersecting faces)의 평균 비율은 단 **0.099%**에 불과하여, 다른 플로 기반 및 스테레오그래픽 방식보다 뛰어난 성능을 보였습니다.
• 효율성: 추론 시간은 1초 미만으로, 최적화 기반 베이스라인(수 분 소요)보다 훨씬 빠르며 다른 학습 기반 방식들과 대등하거나 더 빠릅니다.

의의 및 주장

본 논문은 GenSP가 높은 기하학적 품질을 가진 개별 형상 최적화 방식과 플로 기반 방식의 교차 형상 일관성 사이의 간극을 성공적으로 메웠다고 주장합니다. 생성 모델을 학습함으로써, 이 접근 방식은 명시적인 쌍별 최적화(pairwise optimization) 없이도 유사한 형상이 일관된 파라미터화를 공유하도록 보장합니다. 저자들은 본 방법이 데이터 사전 지식(data priors)을 활용하여 가장 일관되고 왜곡이 적은 매핑을 선택함으로써, 구형 파라미터화의 "무수히 많은 해" 문제를 해결하는 실질적인 솔루션을 제공한다고 강조합니다.

이 연구는 신경 기하 처리(neural geometry processing)의 중요한 진전으로 제시되며, 형상 생성 모델을 학습하는 것이 구형 파라미터화와 같은 고유한 기하학적 문제를 효과적으로 해결할 수 있음을 입증합니다. 저자들은 현재 프레임워크가 종수-0 형상과 외적 표현(extrinsic representations)에 국한되어 있지만, 이는 고차 종수 형상 및 내적 생성 모델(intrinsic generative models)에 대한 향후 연구의 길을 열어준다고 언급했습니다.