[论文解读] Layered Depth-Normal Images: a Sparse Implicit Representation of Solid Models

Charlie C. L. Wang, Yong Chen|arXiv (Cornell University)|Sep 4, 2010

Computer Graphics and Visualization Techniques参考文献 37被引用 6

一句话总结

本文提出分层深度-法线图像（LDNIs），一种基于与坐标轴对齐的三个正交深度-法线图像的稀疏隐式实体模型表示方法。该方法通过GPU加速采样和一种新颖的等值面提取算法，实现了高效的布尔运算、偏置操作以及高保真度的网格重建，同时保持了锐利的特征和细薄结构。

ABSTRACT

This paper presents a novel implicit representation of solid models. With this representation, every solid model can be effectively presented by three layered depth-normal images (LDNIs) that are perpendicular to three orthogonal axes respectively. The layered depth-normal images for a solid model, whose boundary is presented by a polygonal mesh, can be generated efficiently with help of the graphics hardware accelerated sampling. Based on this implicit representation - LDNIs, solid modeling operations including the Boolean operations and the offsetting operation have been developed. A contouring algorithm is also introduced in this paper to generate thin structure and sharp feature preserved mesh surfaces from the layered depth-normal images. Comparisons between LDNIs and other implicit representation of solid models are given at the end of the paper to demonstrate the advantages of LDNIs.

研究动机与目标

• 开发一种支持高效几何运算的稀疏隐式实体模型表示方法。
• 实现基于GPU加速采样的方法，以快速从多边形网格生成深度-法线图像。
• 在隐式框架内支持诸如布尔运算和偏置操作等实体建模操作。
• 在从隐式表示进行表面重建时，保持细薄结构和锐利特征。
• 为计算几何中的现有隐式表示提供一种紧凑且高效的替代方案。

提出的方法

• 实体模型使用三个分层深度-法线图像（LDNIs）表示，每个图像与三个正交轴（x、y、z）之一对齐。
• 每个LDNI通过图形硬件加速采样，在体素化网格点上编码深度和表面法线信息。
• 分层结构支持多分辨率层级存储，并实现对深度和法线数据的高效访问。
• 对LDNIs应用等值面提取算法，以生成保留锐利特征和细壁结构的多边形网格表面。
• 通过基于体素的算术运算和法线场操作，直接在LDNI表示上实现布尔运算和偏置操作。
• 该方法利用现有的图形API，加速从输入网格采样和渲染深度与法线数据。

实验结果

研究问题

• RQ1 能否从三个正交的深度-法线图像构建一种稀疏隐式表示，以准确编码实体几何？
• RQ2 此类表示上的实体建模操作（如布尔运算和偏置操作）能以多高的效率执行？
• RQ3 在从隐式数据进行网格重建时，细薄结构和锐利特征能多大程度上被保留？
• RQ4 LDNI表示在紧凑性和性能方面与现有隐式表示相比如何？
• RQ5 GPU加速采样能否有效用于从多边形网格输入生成LDNI？

主要发现

• LDNI表示通过利用三个正交视图中深度和法线数据的稀疏性，实现了紧凑的存储。
• 布尔运算和偏置操作等实体建模操作已成功直接在LDNI数据结构上实现。
• 所提出的等值面提取算法生成了高质量的多边形网格，能够保留细薄结构和锐利特征。
• 由于GPU加速，采样和几何运算执行性能显著提升。
• 对比分析表明，LDNIs在内存效率和特征保真度方面优于传统隐式表示。
• 分层设计支持分层处理，适用于多分辨率建模与渲染。