[论文解读] Fast Algorithms for Surface Reconstruction from Point Cloud

Yuchen He, Martin Húska+2 more|arXiv (Cornell University)|Jul 2, 2019

3D Shape Modeling and Analysis参考文献 36被引用 5

一句话总结

该论文提出了两种快速算法——针对 p=2 的半隐式方法（SIM）和针对 p=1 的增广拉格朗日法（ALM）结合 ADMM——以最小化点云表面重建中的加权最小表面能。通过放松时间步长约束（SIM）和实现自适应、局部化的水平集演化（ALM），该方法在保持高精度的同时具备出色的计算效率，理论联系与数值验证表明其在速度和鲁棒性方面优于现有方法。

ABSTRACT

We consider constructing a surface from a given set of point cloud data. We explore two fast algorithms to minimize the weighted minimum surface energy in [Zhao, Osher, Merriman and Kang, Comp.Vision and Image Under., 80(3):295-319, 2000]. An approach using Semi-Implicit Method (SIM) improves the computational efficiency through relaxation on the time-step constraint. An approach based on Augmented Lagrangian Method (ALM) reduces the run-time via an Alternating Direction Method of Multipliers-type algorithm, where each sub-problem is solved efficiently. We analyze the effects of the parameters on the level-set evolution and explore the connection between these two approaches. We present numerical examples to validate our algorithms in terms of their accuracy and efficiency.

研究动机与目标

• 开发快速、高效的算法，用于从无结构的 3D 点云数据中重建表面，且无需事先已知的几何信息（如法向量）。
• 通过水平集方法最小化表面的 p-范数距离函数，将其表述为加权最小表面能。
• 通过放松基于 PDE 的演化中的时间步长约束（SIM）以及利用 ADMM 实现快速子问题求解（ALM），提升计算效率。
• 分析参数影响，并建立 SIM 与 ALM 之间的理论联系，以获得更深入的算法洞察。

提出的方法

• 将表面重建表述为最小化能量 $ E_p(\Gamma) = \left( \int_\Gamma |d(\mathbf{x})|^p \, d\mathbf{x} \right)^{1/p} $，其中 $ d(\mathbf{x}) $ 表示点 $ \mathbf{x} $ 到点云 $ \mathcal{D} $ 中最近点的距离。
• 将表面 $ \Gamma $ 表示为水平集函数 $ \phi $ 的零水平集，从而实现拓扑灵活性并避免显式追踪曲线。
• 对 $ p=2 $ 应用半隐式格式（SIM），通过隐式处理曲率项来放松梯度流演化中的严格时间步长约束。
• 对 $ p=1 $ 使用增广拉格朗日法（ALM）结合 ADMM，将问题分解为可通过软阈值化和快速求解器求解的子问题。
• 通过动态加权距离函数 $ d $ 的影响，在 ALM 中引入自适应行为，仅在演化水平集附近激活其作用。
• 通过分析二次函数的判别式，确定 $ d $ 何时主动引导水平集演化，从而实现局部化精细调整。

实验结果

研究问题

• RQ1 如何在基于 PDE 的水平集演化中放松时间步长约束，以提升表面重建的计算效率？
• RQ2 距离函数 $ d $ 在引导水平集演化中起什么作用？在 ALM 框架中如何实现其自适应控制？
• RQ3 ALM 公式中的参数如何影响表面重建的收敛性和精度？
• RQ4 半隐式方法（SIM）与增广拉格朗日方法（ALM）之间存在何种理论与算法上的联系？
• RQ5 ALM 结合 ADMM 是否能在点云表面重建中对 $ p=1 $ 实现高精度与卓越的运行性能？

主要发现

• 针对 $ p=2 $ 的 SIM 方法通过半隐式离散化 PDE 演化，显著提升了计算效率，放松了时间步长约束。
• 针对 $ p=1 $ 的 ALM-ADMM 方法实现了快速收敛与高精度，且距离函数 $ d $ 仅在零水平集附近主动影响演化过程，确保了局部化精细调整。
• 数值实验表明，两种算法在多种点云（包括圆、广口瓶、环面等）上均能生成视觉上和定量上准确的重建结果。
• ALM 方法表现出自适应行为：当 $ \phi^{n} $ 较小而 $ d $ 较大时，$ d $ 对演化的影响力较强，能迅速将水平集拉向点云。
• 理论分析表明，二次函数的判别式决定了 $ d $ 是否影响演化，而边界 $ r_L^n $ 和 $ r_U^n $ 控制了活跃区域，解释了 ALM 的高效性。
• 通过共享的底层 PDE 结构与参数敏感性分析，建立了 SIM 与 ALM 之间的联系，且 ALM 展现出与 SIM 中隐式时间推进行为类似的特性。