[论文解读] A simple algorithm for uniform sampling on the surface of a hypersphere

Stefan Schnabel, Wolfhard Janke|arXiv (Cornell University)|Apr 5, 2022

Satellite Image Processing and Photogrammetry被引用 4

一句话总结

本文提出了一种计算高效的算法，用于在n维超球面上进行均匀采样，尤其适用于偶数维度。通过使用拒绝采样生成单位圆上的点，并对其平方半径进行排序，该方法避免了昂贵的三角函数或开方函数运算，从而实现快速、高维的采样，且计算开销极低。

ABSTRACT

We propose a simple method for uniform sampling of points on the surface of a hypersphere in arbitrarily many dimensions. By avoiding the evaluation of computationally expensive functions like logarithms, sines, cosines, or higher order roots the new method is faster than alternative techniques.

研究动机与目标

• 开发一种简单、高效的算法，用于在n维超球面上进行均匀采样。
• 避免在现有方法中常见的对数、正弦、余弦和高阶根等计算开销大的操作。
• 将Marsaglia在3D和4D中的高效采样技术推广至任意偶数维度。
• 提供一种在小到中等规模n下仍保持高效的方法，尤其适用于性能至关重要的场景。
• 提供一种变体，可生成n维球体内均匀分布的点，从而扩展至体积采样应用。

提出的方法

• 生成n/2对独立同分布的均匀随机变量(a, b)，取值于[-1, 1)，并拒绝满足a² + b² ≥ 1的点，以确保点位于单位圆内。
• 按其平方半径S_i = a_i² + b_i²对所得点对进行排序，形成有序序列S_0 = 0 ≤ S_1 ≤ ... ≤ S_{n/2}。
• 使用公式X_{2i-1} = r_i * a_i和X_{2i} = r_i * b_i分配坐标，其中r_i = √[(1 - S_{i-1}/S_i) / S_{n/2}]。
• 对于奇数n，将方法扩展至n+1维，并对前n个分量进行归一化，以确保在n-球面上的均匀性。
• 使用修改后的缩放因子r_i = √(1 - S_{i-1}/S_i)生成在n-球体内均匀分布的点，而非其表面。
• 通过按S_i值分组点并分桶内排序，优化性能，从而在大规模样本中降低比较成本。

实验结果

研究问题

• RQ1 能否设计一种在超球面上进行均匀采样的方法，避免昂贵的三角函数或超越函数？
• RQ2 Marsaglia在3D和4D中高效的采样技术如何推广至任意偶数维度？
• RQ3 与基于标准正态分布的方法相比，使用单位圆上的拒绝采样并按平方半径排序，在计算性能上能带来多大提升？
• RQ4 该框架能否适配为在n维球体内均匀采样，特别是对奇数n？
• RQ5 在大规模采样任务中，分桶排序的实际效率如何提升算法性能？

主要发现

• 所提算法在n-球面上实现均匀采样时，无需计算对数、正弦、余弦或高阶根，显著降低了计算成本。
• 对于偶数n，该方法通过在单位圆上使用拒绝采样并排序平方半径，实现了快速且数值稳定的坐标赋值。
• 在许多实际场景中，该算法比标准正态分布方法更快，尤其当三角函数计算成本较高时。
• 该方法通过使用多个二维拒绝采样并按半径排序来构建高维点，推广了Marsaglia在3D和4D中的技术。
• 该算法的一种变体通过将缩放因子修改为r_i = √(1 - S_{i-1}/S_i)来生成n-球体内均匀分布的点，但该方法在奇数n下无法自然推广。
• 使用分桶排序可减少排序中的比较次数，从而在大规模采样中提升性能，尤其当n较大或需要大量样本时更为显著。