Consistent Point Orientation for Manifold Surfaces via Boundary Integration

一句话总结

给定法向随机的点云，通过最大化广义缠绕数（GWN）场的一个边界积分能量来恢复该场的全局调和性，从而为流形曲面采样点云求出全局一致的法向。

研究背景

带全局一致法向的点云是点云上采样、去噪、曲面重建、分割等诸多下游任务的基础。为无向点云赋予全局一致法向长期以来是计算机图形学的难题：物体几何、拓扑复杂，且常受噪声、离群点、薄结构干扰。

传统方法多先估计与曲面垂直的法向，再通过传播翻转不一致的法向。这类传播策略高度依赖初始无向法向的分布方向，在噪声和小 reach 几何上容易失败。近年出现了基于 GWN 的方法：iPSR 迭代地把上一轮法向喂给 PSR 求解器，但在稀疏点云上会产生断裂；PGR、GCNO 用点云 GWN 做定向，但需求解稠密线性系统或依赖 Voronoi 顶点在内外均匀分布的假设，计算代价高，且在复杂拓扑、薄结构和噪声上不够鲁棒。

作者观察到两个关键因素：全局一致法向产生的 GWN 场是带跳变边界条件偏微分方程的解，具有调和性；而其 Dirichlet 能量可写成沿边界曲面的积分。由此提出仅在边界上做积分优化的新思路。

方法

整体框架

方法输入是采样自封闭可定向流形曲面 \(\partial\Omega\) 的点云 \(P=\{p_i\}_{i=1}^n\)。先为每个点赋随机法向，再优化与 GWN 场 Dirichlet 能量相关的目标函数完成定向，最后用屏蔽泊松重建（sPSR）得到水密曲面。

flowchart TD
    A[无向点云 P] --> B[为每点赋随机法向]
    B --> C[构建 3D Voronoi 图, 计算 Voronoi 面积]
    C --> D[每轮: 用 Voronoi 顶点选取内外采样点 p+ / p-]
    D --> E[计算边界能量及其梯度]
    E --> F[L-BFGS 更新法向参数 u_i, v_i]
    F --> G{收敛?}
    G -->|否| D
    G -->|是| H[全局一致法向]
    H --> I[sPSR 重建水密曲面]

关键设计

广义缠绕数由一致外法向生成，满足拉普拉斯方程，可用泊松核在点云上离散求得

\[w(q)=\sum_{i=1}^{n} a_i \frac{1}{4\pi}\frac{\langle n_i, p_i-q\rangle}{\lVert p_i-q\rVert^{3}},\]

其中 \(a_i\) 是点 \(p_i\) 的测地 Voronoi 面积。利用 Green 第一恒等式，全空间 Dirichlet 能量可转化为边界积分。作者将其推广到任意法向场 \(n\)，定义边界能量

\[f(n):=\int_{\partial\Omega}\left(w^{-}-w^{+}\right)\nabla_{n} w^{-}.\]

核心观察：当法向随机时边界能量趋近于零而 Dirichlet 能量很大；当法向全局一致时切向分量可忽略、法向分量很大，两种能量趋于一致。因此作者反其道而行，从随机法向出发直接最大化边界能量。

离散化上，用输入点近似边界积分，并为每个点 \(p_i\) 选取一内一外两个采样点 \(p_i^{+}\)、\(p_i^{-}\)。作者不用简单的法向位移（在薄结构上会把两点都放到同侧），而是取 \(p_i\) 所在 Voronoi 单元中与当前法向夹角最小、最大的两个 Voronoi 顶点，利用其对噪声的鲁棒性来区分内外。

为消解跳变边界条件的歧义（如 \(w^{+}=-1,w^{-}=0\) 或 \(w^{+}=1,w^{-}=2\)），作者不直接施加 \(0\le w\le 1\) 的 \(2n\) 个不等式约束，而是把 GWN 差 \(w^{-}-w^{+}\) 替换为 \(\lvert w^{-}\rvert-\lvert w^{+}\rvert\)（鼓励 \(w\ge 0\)），再加惩罚项鼓励 \(w\le 1\)，转化为无约束优化

\[\max \sum_{i=1}^{n} a_i\left(\lvert w(p_i^{-})\rvert-\lvert w(p_i^{+})\rvert\right)\nabla_{n_i} w(p_i)+g\!\left(w(p_i^{\pm})\right).\]

法向以 \(n_i=(\cos u_i\sin v_i,\ \sin u_i\sin v_i,\ \cos v_i)^{T}\) 参数化保证单位长，用 L-BFGS 求解。每轮时间复杂度 \(O(n^{2}+n+m)\)，空间复杂度 \(O(n+m)\)（\(m\) 为 Voronoi 顶点数）。

实验结果

在 18 个几何拓扑各异的模型上，与 Dipole、PGR、iPSR、NeuralGF、GCNO 对比。以法向与真值的角度差（均值 \(\mu\)、标准差 \(\sigma\)，单位度）和 Chamfer Distance（CD，\(10^{-3}\)）为指标。无噪场景下，本方法在 83%、88%、88% 的模型上分别取得最优的 \(\mu\)、\(\sigma\)、CD。下表为 18 个模型的平均结果（\(\mu\)/\(\sigma\)/CD/时间秒）：

方法	\(\mu\)	\(\sigma\)	CD	时间(s)
Dipole	25	46	11	64
PGR	19	25	0.16	14
iPSR	6.5	9.5	0.11	18
NeuralGF	22	35	8.0	640
GCNO	35	46	9.5	5100
Ours	4.6	7.0	0.11	690

本方法比 GCNO 快 5～10 倍（平均加速 7.3 倍）。GCNO 适用于约 1 万点、40K 点时 24 小时无法完成，而本方法可在约三小时内给出结果，并可扩展到约 10 万点。方法在复杂拓扑和薄结构模型上尤为有效，也表现出对低强度噪声的鲁棒性。

亮点与局限

亮点：把体积分转化为边界积分，避免了内部空间的高分辨率四面体离散，显著降低计算与内存开销；用 \(\lvert w^{-}\rvert-\lvert w^{+}\rvert\) 加惩罚项巧妙消解跳变边界歧义，转为无约束优化；不依赖 GWN 精确值、也不依赖 Voronoi 顶点内外均匀分布假设，因而对噪声和复杂几何更鲁棒。

局限：边界能量源自 GWN 的 Dirichlet 能量，后者只度量函数振荡幅度、不显式指示非流形曲面的内外朝向，故方法仅适用于流形曲面采样的点云；受 \(O(n^{2})\) 时间复杂度限制，规模上限约 10 万点，无法像 iPSR 那样处理百万级点云。

延伸思考

作者已指出可用快速多极子方法（FMM）把邻域查询降到 \(O(\log n)\)，将每轮复杂度降到 \(O(n\log n)\)，这是突破规模瓶颈的自然方向。此外，边界能量框架依赖 Voronoi 顶点对内外的可靠区分，在高噪声下该假设会退化，如何把噪声鲁棒的内外采样与该能量结合、或将思路推广到非流形/开放曲面，都是值得探索的问题。