測地線に沿って流される Stanford Bunny
Figure 6では、固有関数から作った目標分布に対して、Ground Truth、RFM、提案手法MeshFlowの結果が比較されています。出典: Hippolyte Verninas, Caner Korkmaz, Stefanos Zafeiriou, Tolga Birdal, Simone Foti, “Parallelised Differentiable Straightest Geodesics for 3D Meshes”, CVPR 2026, Figure 6.
本記事ではFigure画像を転載せず、論文本文へのリンクで紹介しています。
今回のStanford bunny
Stanford bunnyは、三角形メッシュ上で確率分布を運ぶFlow Matching手法の評価形状として使われています。Section 5.3で、Stanford bunnyの固有関数をground-truth target distributionとして使用したことが明記され、Figure 6では（k = 10, 50, 100）の固有関数について生成結果が比較されています。
提案手法MeshFlowは、メッシュ表面上の微分可能な指数写像を使い、ノイズから目標分布へサンプルを測地線的に移動させます。つまり今回は、bunny自体を変形するのではなく、その表面を確率分布の移動経路として使っています。
見た目はいつもの置物ですが、今回は表面の上で確率分布を流されます。Table 3ではKLDとbiharmonic-based Chamfer distanceによる定量比較も行われています。
今回の扱い：固有関数を目標分布としたメッシュ上Flow Matchingの評価
状態：形状は固定、表面上のサンプル分布を測地線的に輸送
論文の内容
三角形メッシュ上で微分可能な指数写像を使う
Riemann多様体上の指数写像は、ある点の接ベクトルから測地線をたどり、その終点を求める演算です。球面のような単純な形状では閉形式が使えますが、一般の三角形メッシュでは数値計算が必要です。
論文は、straightest geodesicsに基づく指数写像をGPU上で並列化し、その計算を学習pipelineから微分できるようにしています。従来の実装はCPU逐次処理かつ非微分可能で、深層学習や最適化へ直接組み込みにくいことが課題でした。
2種類の微分法
提案される微分法はExtrinsic Proxy（EP）とGeodesic Finite Differences（GFD）の2種類です。
EPは測地線追跡の結果をEuclidean空間上のproxy functionで近似し、解析的に微分しやすくします。一方、GFDは有限差分をメッシュの幾何に適合させる方式で、計算量は増えますが、位置を含む勾配をより直接的に扱えます。
これらは指数写像のforward実装から独立しており、straightest geodesics以外のforward計算にも適用できる設計になっています。
MeshFlow
Flow Matchingでは、基底分布から目標分布へサンプルを運ぶベクトル場を学習します。Riemannian Flow Matchingでは曲面上の移動を扱うため、従来法ではODEを解きながら位置を更新し、メッシュ表面からのdriftを補正するprojectionも必要でした。
MeshFlowは微分可能な指数写像を利用し、時間依存ではない単一のベクトル場を学習します。ノイズサンプルと学習データの対応はoptimal transportで決め、コストには二乗biharmonic distanceを使います。対応付けはHungarian algorithmで求められます。
曲がった経路を表現するため指数写像を5ステップ（K = 5）適用し、位置を通したback-propagationが必要なためGFDを使用します。
学習条件
Supplementary Section A.7では、MeshFlowをAdamで5,000 epochs学習し、learning rateを3 × 10⁻⁵としています。
各メッシュについてtraining sampleは20,000、test sampleは5,000です。ベクトル場を表すMLPは512 unitsのhidden layerを3層持ちます。
MeshFlow-1024ではoptimal transport coupling用のbatch sizeを1,024、学習batchを256とし、MeshFlow-256では両方を256としています。
定量評価
Table 3では、（k = 10, 50, 100）の固有関数を目標分布として、RFM、MeshFlow-256、MeshFlow-1024を比較しています。
KLDでは、MeshFlow-1024は（k = 10）で0.060、（k = 50）で0.036、（k = 100）で0.058です。RFMはそれぞれ0.050、0.11、0.13です。したがって（k = 10）ではRFMの値が小さい一方、（k = 50）と（k = 100）ではMeshFlow-1024の値が小さくなっています。
biharmonic-based Chamfer distanceでは、MeshFlow-1024が0.015、0.015、0.017、RFMが0.014、0.018、0.020です。こちらも （k = 10）ではRFMがわずかに小さく、（k = 50）と（k = 100）ではMeshFlow-1024が小さい結果です。
NLLも掲載されていますが、論文はRFMとの比較についてこの指標は信頼できないと明記しています。最適化objectiveに直接依存するため、主にMeshFlowの2設定間を見るための値として扱われています。
推論速度とGPUメモリ
著者らは、MeshFlowがRFMと比較して推論時に約1.6 × 10⁴倍高速で、GPU memory使用量を97%削減したと報告しています。
これは、推論時に時間方向のODE solverを細かく反復する代わりに、学習済みの静的ベクトル場と指数写像を利用する構成によるものです。
そのほかの応用
論文は指数写像の微分可能化だけでなく、Adaptive Geodesic Convolution、MeshFlow、Mesh-LBFGSという3つの応用を示しています。
Adaptive Geodesic Convolutionではchannelやlayerごとにpatch sizeを学習し、Mesh-LBFGSではメッシュ表面上のcentroidal Voronoi tessellation最適化へ二次的な情報を利用するRiemannian LBFGSを適用しています。
制約
straightest geodesicsは離散メッシュ上の幾何に依存するため、極端に品質の低いtriangleや複雑なboundaryを持つmeshでは精度と安定性の確認が必要です。Supplementaryではvertex noise、細長いtriangle、triangle removalに対するrobustnessも評価されています。
Flow Matching側ではoptimal transport coupling、biharmonic distance、ネットワーク容量、指数写像のstep数などが結果へ影響します。また、Table 3のNLLは異なるobjectiveを持つ手法間の公平な比較指標ではないという制約を著者自身が示しています。
論文情報
Parallelised Differentiable Straightest Geodesics for 3D Meshes
- 著者: Hippolyte Verninas, Caner Korkmaz, Stefanos Zafeiriou, Tolga Birdal, Simone Foti
- arXiv投稿日: 2026-03-16
- 掲載: CVPR 2026, pp. 14637-14647
- arXiv: https://arxiv.org/abs/2603.15780
- DOI: https://doi.org/10.48550/arXiv.2603.15780
- 分野: Differential Geometry / Geometric Deep Learning / Flow Matching / Mesh Processing
- 使用モデル: Stanford 3D Scanning Repositoryのウサギ形状
- 使用箇所: Section 5.3、Figure 6、Table 3、Supplementary Figure A.10(b)、Supplementary Section A.7
- モデル用途: 固有関数をground-truth target distributionとしたメッシュ上Flow Matchingの評価
- 主要実験条件: 20,000 training samples、5,000 test samples、Adam、learning rate 3 × 10⁻⁵、5,000 epochs、3 hidden layers × 512 units、指数写像5ステップ（K = 5）、MeshFlow-1024はcoupling batch 1,024・学習batch 256