M-plicits: 중첩 잔차를 활용한 신경망 표면 모델링
M-plicits: Neural Implicit Surfaces via Nested Multiscale Residuals
arXiv표면을 표현하는 신경망 방식(INR)의 효율성, 속도, 노이즈 처리 문제를 해결하기 위해 'M-plicits'라는 다중 스케일 잔차 기반 프레임워크가 제안되었습니다.
- M-plicits는 중첩된 이웃 영역에서 잔차를 학습하며, 이전 단계의 표면 근처에만 감독을 국한하여 노이즈에 강하고 정확도를 높였습니다.
- 기존 방식 대비 파라미터 효율성을 높이면서도 최고 성능을 달성했으며, 자동 미분 과정 없이 실시간 고화질 렌더링까지 구현했습니다.
- 코어 네트워크가 깨끗한 기하학적 사전 지식을 제공하고 잔차가 이를 정교하게 다듬는 구조로, 노이즈에 대한 강건성이 기존 모델보다 월등히 높습니다.
신경망 기반의 암시적 표현(INRs)은 표면을 정의하는 데 효과적인 방법으로 알려져 있으나, 기존 방식들은 학습 효율성, 렌더링 속도, 노이즈 강건성 간의 균형을 맞추는 데 어려움을 겪어왔습니다. 특히 단일 MLP 접근법은 추론 비용이 높고, 그리드 기반 표현은 표면의 부드러움에 제한적이거나 입력 노이즈를 과적합하는 경향이 있습니다. 이러한 한계를 극복하기 위해 M-plicits는 중첩된 이웃 영역을 통해 잔차 합(residual sum)으로 표면을 모델링하는 다중 스케일 프레임워크를 제안합니다.
M-plicits의 핵심은 감독(supervision)을 이전 단계의 영 레벨 집합 주변 좁은 대역에 엄격하게 국한한다는 점입니다. 이 중첩된 설계는 데이터 노이즈에 대한 자연스러운 강건성을 제공하는데, 코어 네트워크가 깨끗한 기하학적 사전 지식(low-pass filter)을 확립하고 이후의 잔차들이 이를 고주파 아티팩트 없이 점진적으로 정제합니다. 이는 기존 방식과 달리 표준 도메인 전체 샘플링에 의존하지 않아 안정성을 높입니다.
또한, M-plicits는 자동 미분(auto-differentiation) 과정을 완전히 우회하는 다중 스케일 구체 추적 알고리즘 및 GEMM 기반의 해석적 법선 계산을 도입하여 고충실도의 실시간 렌더링이 가능합니다. Stanford와 Thingi32 데이터셋에서 M-plicits는 코어 설정에서 최고 평균 Chamfer 거리를, 세부 설정에서 최고 중앙값 Chamfer 거리와 IoU를 달성했으며, iNGP, BACON, IDF 대비 월등히 높은 노이즈 강건성을 보였습니다. 그리드 기반 기준선보다도 한 자릿수(order of magnitude) 적은 만 사용했습니다.
용어 풀이
- 파라미터
- 모델이 학습하면서 조정한 내부 숫자. 개수가 많을수록 대체로 모델이 크고 무거워요.