[论文解读] Sampling Superquadric Point Clouds with Normals

Paulo Ferreira|arXiv (Cornell University)|Feb 14, 2018

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

一句话总结

本文提出了一种新颖的框架，用于对超椭球面和超抛物面实现接近均匀的采样，并精确估计法向量。该方法通过参数变换和基于雅可比行列式的重加权，将二维均匀采样技术扩展至三维。该方法在高度立方化的形状（例如 ε₁ = 0.1）下仍能生成高质量、均匀分布的点云及其法向量，并支持锥形化与弯曲形变，适用于机器人学、计算机视觉和计算机图形学应用。

ABSTRACT

Superquadrics provide a compact representation of common shapes and have been used both for object/surface modelling in computer graphics and as object-part representation in computer vision and robotics. Superquadrics refer to a family of shapes: here we deal with the superellipsoids and superparaboloids. Due to the strong non-linearities involved in the equations, uniform or close-to-uniform sampling is not attainable through a naive approach of direct sampling from the parametric formulation. This is specially true for more `cubic' superquadrics (with shape parameters close to $0.1$). We extend a previous solution of 2D close-to-uniform uniform sampling of superellipses to the superellipsoid (3D) case and derive our own for the superparaboloid. Additionally, we are able to provide normals for each sampled point. To the best of our knowledge, this is the first complete approach for close-to-uniform sampling of superellipsoids and superparaboloids in one single framework. We present derivations, pseudocode and qualitative and quantitative results using our code, which is available online.

研究动机与目标

• 解决由于参数化表达中存在强非线性而导致的超二次曲面表面采样非均匀的问题。
• 将二维均匀采样技术（Pilu & Fisher, 1995）扩展至三维超椭球面，并提出一种新颖的超抛物面参数化表达。
• 提供一个统一的框架，同时支持超椭球面与超抛物面，并实现一致的法向量计算。
• 将锥形化与弯曲形变整合至采样流程中，提升几何建模的灵活性。
• 实现对复杂形状（包括高度立方化的超二次曲面，ε₁ ≈ 0.1）和不同长宽比（最高达10:1）的精确、高效且接近均匀的采样。

提出的方法

• 推导出与超椭球面类似的超抛物面参数化表达，采用隐式与参数化形式，结合形状与尺寸参数。
• 通过雅可比行列式校正几何畸变，将均匀的二维参数空间映射至三维曲面。
• 采用逆变换采样方法，利用由雅可比行列式导出的累积分布函数，实现接近均匀的采样。
• 通过参数曲面偏导数的叉积运算，解析计算曲面法向量，随后进行归一化。
• 通过修改参数方程引入锥形化与弯曲形变，并在变换后的区域中应用相同的采样策略。
• 在 MATLAB 中实现该方法，并公开发布代码，以确保可复现性与社区使用。

实验结果

研究问题

• RQ1 尽管存在强烈的参数化非线性，如何在三维超椭球面与超抛物面实现均匀采样？
• RQ2 是否存在一种一致且可解析处理的超抛物面参数化表达，以支持采样与法向量计算？
• RQ3 Pilu & Fisher（1995）的二维均匀采样方法能否扩展至三维超椭球面与超抛物面，并支持法向量估计？
• RQ4 锥形化与弯曲形变如何影响采样分布？能否将其整合进同一框架？
• RQ5 该方法在不同形状参数（ε₁, ε₂）与采样密度下的计算性能如何？

主要发现

• 该方法在广泛的超二次曲面形状下均实现了接近均匀的采样，包括 ε₁ = 0.1 的高度立方化超椭球面。
• 采样时间随采样密度 D 呈指数下降，当 D ≥ 0.1 时，中位时间低于 10 ms，最高可处理一百万个点。
• 对于超椭球面，采样时间与 log₁₀(点数) 几乎呈线性关系，100,000 个点时中位时间低于 10 ms。
• 该方法同时支持超椭球面与超抛物面，法向量计算一致，适用于渲染与拟合任务。
• 该框架成功集成了锥形化与弯曲形变，未影响采样均匀性或性能。
• 该实现对长宽比最高达 10:1、且 ε₁, ε₂ ∈ [0, 2] 的情况均表现出高效与稳定性，已在漏斗、马克杯、超蛋等多种复杂形状上验证了效果。