[论文解读] On the Accuracy of Anisotropic Fast Marching

Jean‐Marie Mirebeau|arXiv (Cornell University)|May 23, 2012

Robotic Mechanisms and Dynamics参考文献 7被引用 3

一句话总结

本文分析了各向异性快速推进法在大各向异度下的精度，该方法是求解广义 eikonal 方程的快速推进算法变体。通过晶格基底约化，该方法保持了较低的计算复杂度，并且在 1–4 维常数黎曼度量下，其数值精度在所有方向上的平均意义上与各向异性比值无关。

ABSTRACT

The fast marching algorithm, and its variants, solves numerically the generalized eikonal equation associated to an underlying riemannian metric. A major challenge for these algorithms is the non-isotropy of the riemannian metric. Applications of the eikonal equation to image processing often involve pronounced anisotropies, which motivated the design of new algorithms. A recently introduced variant of the fast marching algorithm addresses the problem of large anisotropies using an algebraic tool named lattice basis reduction. The numerical complexity of this algorithm is insensitive to anisotropy, under weak assumptions. We establish in this paper, in the simplified setting of a constant riemannian metric, that the accuracy of this algorithm is also extremely robust to anisotropy : in an average sense, it is independent of the anisotropy ratio. We also extend this algorithm to higher dimension.

研究动机与目标

• 分析基于晶格基底约化的快速推进变体在黎曼度量中高各向异度下的数值精度。
• 研究当各向异性比值 κ(M) 增大时，该算法的精度是否下降，特别是在图像处理应用中的表现。
• 将该算法扩展至四维域，受医学成像和数据分析应用的启发。
• 为先前实验中观察到的数值鲁棒性提供理论依据，特别是在极端各向异性条件下。
• 证明在常数度量假设下，当对所有空间方向取平均时，该算法的误差保持有界且与 κ(M) 无关。

提出的方法

• 利用晶格基底约化重新配置快速推进算法中的计算模板，以增强对高各向异度的鲁棒性。
• 在 R^d 中使用 M-约化基底 (u₁, ..., u₄) 定义一种结构化、非正交的网格，使其适应局部度量 M。
• 应用从 M-约化基底导出的几何锐角性质：对于任意不包含 uᵢ 的基向量整数组合 z，有 2|⟨z, uᵢ⟩ₘ| ≤ ‖z‖ₘ²。
• 利用 M-约化基向量的整数组合，对 R^d ∖ {0} 构造一个单纯形剖分 T。
• 在该剖分上构建有限差分格式，以逼近广义 eikonal 方程：‖∇D(z)‖ₘ⁻¹ = 1。
• 通过分析剖分中单纯形顶点之间的标量积，研究数值解的误差，证明角度的非负性以确保稳定性和精度。

实验结果

研究问题

• RQ1 在常数黎曼度量下，基于晶格基底约化的快速推进算法的数值误差是否会随各向异性比值 κ(M) 增大而增加？
• RQ2 该算法的精度是否对极端各向异度具有鲁棒性，特别是在所有空间方向上的平均意义上？
• RQ3 该方法能否在保持精度和低计算复杂度的前提下扩展至四维域？
• RQ4 M-约化基底的哪些几何与代数性质确保了数值误差的稳定性和有界性？
• RQ5 在高各向异性条件下，该算法的误差与其它方法相比如何，特别是在误差大小和方向依赖性方面？

主要发现

• 即使在较大的各向异性比值如 κ(M) = 100 的情况下，该算法的数值误差在所有空间方向上取平均后，与各向异性比值 κ(M) 无关。
• 误差界仅在最坏情况下增长，但在平均情况下，其值始终保持有界，与各向异性的大小无关。
• 在 N ≫ κ(M) 的条件下，该方法的计算复杂度保持为 O(N ln N + N ln κ(M))，这在典型应用中成立。
• 该算法成功扩展至四维域，证明其在 2D 和 3D 之外的可扩展性。
• 数值实验表明，在 κ(M) = 100 的 1200×1200 网格上，与另一种方法相比，误差降低了 7 倍，速度提升了 200 倍。
• 由 M-约化基底保证的剖分锐角性质，确保了单纯形顶点之间角度的非负性，这是误差稳定性的基础。