[论文解读] An algorithm to reconstruct convex polyhedra from their face normals and areas

Giuseppe Sellaroli|arXiv (Cornell University)|Dec 3, 2017

Point processes and geometric inequalities参考文献 1被引用 4

一句话总结

本文提出一种数值算法 polyhedrec，通过求解匹配目标面面积的支持参数 $ h_i $，从给定的面法向量和面积重建三维凸多面体。该方法利用 Lasserre 的体积计算方法计算面面积，并采用显式推导的雅可比矩阵的 Levenberg–Marquardt 求根算法，通过固定三个 $ h_i $ 值确保收敛鲁棒且解唯一。

ABSTRACT

A well-known result in the study of convex polyhedra, due to Minkowski, is that a convex polyhedron is uniquely determined (up to translation) by the directions and areas of its faces. The theorem guarantees existence of the polyhedron associated to given face normals and areas, but does not provide a constructive way to find it explicitly. This article provides an algorithm to reconstruct 3D convex polyhedra from their face normals and areas, based on an method by Lasserre to compute the volume of a convex polyhedron in $\mathbb{R}^n$. A Python implementation of the algorithm is available at https://github.com/gsellaroli/polyhedrec.

研究动机与目标

• 为闵可夫斯基定理提供一种构造性、算法化的解决方案，该定理仅保证从面法向量和面积构造凸多面体的存在性，但未提供显式构造方法。
• 克服先前方法的局限性，如存在多个根以及缺乏显式雅可比矩阵计算，这些因素会阻碍可靠收敛。
• 使多面体的实用重建成为可能，尤其在理论物理领域，特别是在自旋网络量子引力（loop quantum gravity）中，面法向量和面积是基本的几何变量。
• 提供清晰伪代码和公开的 Python 库实现，以确保可复现性和可用性。

提出的方法

• 该算法使用支持参数 $ h_i $ 参数化一族凸多面体，其中每个面位于平面 $ \langle \mathbf{u}_i, \mathbf{x} \rangle = h_i $ 上，$ \mathbf{u}_i $ 为外法向量。
• 面面积通过适配 Lasserre 在 $ \mathbb{R}^n $ 中计算凸多面体体积的算法方法计算，此处用于计算多边形面的二维面积。
• 定义向量函数 $ \widetilde{g}(\mathbf{h}) $ 以衡量计算面积与目标面积之间的差异，并通过数值方法求解其根。
• 显式推导了 $ \widetilde{g}(\mathbf{h}) $ 的雅可比矩阵，提升了求根过程的收敛速度与稳定性。
• 通过固定三个 $ h_i $ 值，将原点设在多面体内，确保解唯一并避免平移不变性。
• 构建了可靠的初始猜测 $ \widetilde{\mathbf{h}}_0 $，方法是使所有面到中心点的距离固定为 $ D $，并通过缩放 $ D $ 使平均面面积与目标匹配。

实验结果

研究问题

• RQ1 如何从面法向量和面积显式重构三维凸多面体，尽管闵可夫斯基定理仅保证其存在性？
• RQ2 何种数值方法可可靠地找到支持参数 $ h_i $，使得生成的多面体具有正确的面面积，且不会收敛到虚假或非物理解？
• RQ3 如何显式计算面积函数的雅可比矩阵，以提升该反问题中求根算法的收敛性？
• RQ4 何种初始猜测策略可确保多面体非退化，且在优化开始时所有面面积均为正？

主要发现

• 该算法在论文的数值示例中成功以高精度从面法向量和面积重建凸多面体。
• 显式计算雅可比矩阵显著提升了收敛速度和可靠性，优于无导数或隐式雅可比方法。
• 通过固定三个 $ h_i $ 值，该方法唯一确定多面体（至平移），消除了闵可夫斯基定理中固有的模糊性。
• 基于固定中心点和可缩放距离 $ D $ 的初始猜测策略，确保初始时所有面面积为正，从而防止收敛至退化解。
• 与先前方法（如 Bianchi 等人 [2] 的方法）相比，该算法仅存在唯一根，而非三维根流形，且提供了完整的实现细节。
• 公开的 Python 实现位于 https://github.com/gsellaroli/polyhedrec，支持可复现性并可集成至下游应用。