실제 환경에서의 대규모 기하학적 처리를 위한 Monte Carlo Steklov 연산자

고유값(Intrinsic) 방법론은 메쉬(mesh) 상의 기하학적 처리(geometry processing)를 위한 기본 도구 상자를 채우고 있습니다. 특히 라플라시안(Laplacian)과 같은 고유값 연산자(Intrinsic operators)는 등거리 변환(isometry)에 대한 불변성을 요구하는 방법론의 기초가 되며, 따라서 형상 분석(shape analysis), 학습(learning), 편집(editing)을 위한 많은 알고리즘에 채택되어 왔습니다. 그러나 고유값 방법론은 (i) 메쉬의 품질이 보장되지 않고, (ii) 많은 메쉬가 여러 개의 연결된 구성 요소(connected components)로 모델링되는 실제 환경(in-the-wild)의 기하학 데이터를 다룰 때 빠르게 취약해지는 가정들에 기반하고 있습니다. 이러한 환경에서는 표면 위상(surface topology)에 대한 제한을 완화할 수 있기 때문에, 체적 구성(volumetric constructions)이 더 잘 정의됩니다. 본 논문은 경계-대-경계(boundary-to-boundary) 체적 연산자인 Dirichlet-to-Neumann (DtN) 연산자와 그와 관련된 Steklov 고유 모드(eigenmodes)를 추정하기 위한 Monte Carlo 방법을 제시합니다. 우리는 이 경계 연산자 자체를 추정 대상으로 설정함으로써, 최근 Monte Carlo 기하학적 처리(geometry processing) 분야의 발전에 기반을 둡니다. 체적 확률 과정(volumetric stochastic process)을 통해 정의되는 DtN 연산자는 이후 외부 도메인(exterior domain)으로 일반화되며, 여기서 연산자는 주변의 주변 공간(ambient space)을 통해 분리된 구성 요소들을 결합합니다. 우리는 우리의 방법이 불량한 삼각측량(triangulations), 고해상도 메쉬, 그리고 다중 구성 요소 기하학에 대해 견고함을 유지하면서도, Steklov 스펙트럼(spectra)을 계산하는 데 있어 기존의 경계 요소(boundary-element) 접근 방식보다 수십 배 더 빠르다는 것을 보여줍니다. 이러한 확장성을 입증하기 위해, 우리는 정제되지 않은 Objaverse 데이터셋으로부터 약 450,000개의 형상에 대해 내부 및 외부 Steklov 고유 스펙트럼(eigenspectra)을 계산합니다. 우리는 이러한 연산자들을 Steklov-CLIP에 통합하는데, 이는 대규모 대조 학습(contrastive learning) 기반 3D 표현 학습을 위해 체적 스펙트럼 연산자(volumetric spectral operators)를 사용하는 메쉬 기반 신경망입니다. 결과적으로 생성된 네트워크는 의미론적으로 유의미한 전역적(global) 및 밀집된(dense) 형상 표현을 학습하며, 이는 기하학적 원리에 기반한 체적 연산자가 현대 3D 데이터셋 규모에서도 실용적으로 구현될 수 있음을 보여줍니다.