CWF: Consolidating Weak Features in High-quality Mesh Simplification

一句话总结

提出一个同时刻画精度、三角形质量与特征对齐的光滑能量泛函（法向各向异性项 + CVT 能量项），并用一个随迭代衰减的权重自动平衡二者，从而在网格简化中不仅保留强特征，还能”聚合”（consolidate）那些不显著的弱特征，同时保持高质量三角化。

研究背景

网格简化的目标是在保持视觉/几何保真度的前提下降低三角面片数量，广泛用于压缩传输、AR/VR 渲染、交互式应用与仿真的代理网格等。业界通常关注三项需求：精度（简化前后差异小）、三角形质量（近等边三角形有利于数值稳定与仿真精度）、特征对齐（网格边与特征线对齐，提供形状识别的视觉线索）。

问题在于，这三项需求长期被视为”此消彼长”的权衡，已有算法往往只擅长其中一两项：

• QEM（Quadric Error Metrics）：最流行的边收缩简化方法，精度高、能对齐强特征（尖锐棱线/角点），但难以保证三角形质量（会产生大量钝角三角形），并且会退化弱特征。
• CVT（Centroidal Voronoi Tessellation）：通过优化可移动点得到均匀点分布、三角形质量优秀，但无法对齐任何特征线（无论强弱）。
• LpCVT：在 CVT 目标里加入法向各向异性以对齐特征，但两项之间的平衡权重需要针对每个模型手工调整，导致对强/弱特征的保持不一致。

核心难点在于弱特征：强特征表现为局部法向的剧烈变化，而弱特征是较大尺度上的细微形状变化（如有机模型 Mobius 环那种平滑过渡的轮廓），传统方法很容易把它们抹平。作者的关键洞察是：把 QEM 的精髓搬到连续设定下，与 CVT 能量统一到一个泛函里，再用一个衰减权重来自动协调两项冲突，就能在简化中”凸显”弱特征。

核心方法

统一泛函

方法以曲面上一组可移动点 \(\{x_i\}_{i=1}^{N}\) 为变量，交替进行”表面分解”与”点重定位”，类似 CVT 范式，把点的放置与连接关系解耦。目标函数由两项加权组成：

\[E(\{x_i\}_{i=1}^{N}) = \lambda_{NA} E_{NA} + \lambda_{CVT} E_{CVT}.\]

法向各向异性项（Normal Anisotropy，继承 QEM 精神、由 LpCVT 引入）：

\[E_{NA} = \sum_i \int_{\Omega_i} \big((x - x_i)^T n_x\big)^2 \, ds = \sum_i \int_{\Omega_i} (x - x_i)^T n_x n_x^T (x - x_i)\, ds,\]

CVT 能量项：

\[E_{CVT} = \sum_{i=1}^{N} \int_{\Omega_i} (x - x_i)^T M_{CVT} (x - x_i)\, ds.\]

其中 \(\{\Omega_i\}\) 是曲面分解（一般由受限 Voronoi 图 RVD 给出）。两项可统一写为核矩阵 \(M = \lambda_{NA} M_{NA} + \lambda_{CVT} M_{CVT}\) 下的二次型积分。\(M_{CVT}\) 可取单位阵（欧氏距离）、各向同性阵（编码密度函数）或各向异性阵（编码方向变化）。

直观上：法向各向异性矩阵 \(n_x n_x^T\) 度量向量 \(x-x_i\) 与该处法向的正交程度，本质就是 QEM 的连续版——区别在于 QEM 在网格边及其两端点的关联三角形上评估二次误差，而这里在区域 \(\Omega_i\) 上积分。优化后，靠近特征的点会被”吸”向特征：控制平面区域的点保持不动，跨越特征线的点会移动到特征线上，控制角点的点会落到角点。

衰减权重：自动平衡的关键

两项的量级可能差异极大。若把总表面积归一化为 1，\(E_{CVT}\) 对 CAD 或有机模型都不会剧烈变化，但 \(E_{NA}\) 在多数 CAD 模型上能被压到接近 0（如立方体），使得 CVT 项占主导、反过来阻止 \(E_{NA}\) 归零。作者的策略是：保持 \(\lambda_{NA}\) 不变，让 \(\lambda_{CVT}\) 随迭代按几何衰减

\[\lambda_{CVT}^{(i)} = \lambda_{CVT}^{(i-1)} \times \tau, \quad \tau = 0.95.\]

这样优化初期优先均匀点分布（CVT 主导），后期逐渐把重心转向特征对齐（NA 主导）。例如 \(\tau=0.95\) 时，CVT 权重经 50 次迭代从 1.0 降到约 0.07。这一”先均匀、后对齐”的动态平衡，正是它能聚合弱特征、区别于其他方法的核心。

优化与梯度

用 L-BFGS 求解，每轮迭代先做表面分解（RVD），再用数值积分计算能量与梯度。多边形区域被剖分为 \(k-2\) 个三角形，用 Albrecht-Collatz 求积（每三角形 6 个采样点）。CVT 梯度直接可得；NA 梯度由 Reynolds 输运定理给出，含区域项与相邻单元边界项，但实验发现边界项相对区域项可忽略，故近似为

\[\nabla_{x_i} E_{NA} \approx \int_{\Omega_i} -2\big((x - x_i)\cdot n_x\big) n_x \, ds.\]

终止条件（满足其一即停）：梯度范数小于 \(10^{-8}\)；或 CVT 能量回升，即 \(E_{CVT}^{(i)} \ge \mu \cdot \min_{j=0}^{i-1} E_{CVT}^{(j)}\)，其中 \(\mu = 1.05\)（防止有机模型迭代过多导致三角形质量退化）。

薄板模型上的 RVD 修复

当模型是薄板且点数不足时，RVD 会出现”一个站点主导两个及以上区域”、违反”一站点一区域”的问题。作者提出一个简单技巧：为每个点沿内法向偏移一个微小距离（如 0.01）生成一份内侧点集 \(\{x_i^-\}\)。第一阶段计算 \(\{x_i\}\cup\{x_i^-\}\) 的 Voronoi 图，把由偏移点主导的区域标出；第二阶段对每个这类区域找出”贡献站点”，忽略偏移站点后用真实站点重新划分并分配，从而得到有效的表面分解。该方法可并行处理，无需像已有工作那样对无主区域做繁琐分析。

实验结果

硬件为 AMD Ryzen 9 5950X + 64GB 内存。数据集包括从 ABC 数据集随机选取的 100 个水密流形 CAD 模型（含强特征），以及 21 个带弱特征的有机模型。所有模型统一用同一组参数：\(\lambda_{NA}=\lambda_{CVT}=1.0\)、\(\tau=0.95\)、\(\mu=1.05\)。评价指标涵盖 Chamfer Distance (CD)、F-score (F1)、Normal Consistency (NC)、Hausdorff Distance (HD)、三角形质量 TriangleQ、开边数 OpenB、非流形顶点数 NMV，CAD 上还额外用边 Chamfer 距离 (ECD) 与边 F-score (EF1) 度量特征线保持。

对比了 9 个 SOTA 方法：CVT、LpCVT、QEM、SMS、IEM、LPM、PQ（PQT/PQP 两种配置）、MD、ERB。

CAD 模型（表 1，目标点数 500/1000/2000）：本方法在 F1、NC、ECD、EF1、TriangleQ 等多数指标上取得最优或次优，尤其同时兼顾精度、三角形质量与特征对齐；而且 OpenB 与 NMV 始终为 0（无开边、无非流形），CVT/LpCVT 同样为 0，但它们在特征保持上明显更差。QEM 类方法精度尚可但三角形质量差、且常出现开边和非流形顶点。以 2000 点为例，本方法 CD \(=0.076\times10^{-4}\)、TriangleQ \(=0.893\)，均为最佳一档。

有机模型（表 2）：本方法在 NC（0.976）、TriangleQ（0.861）上领先，CD/F1/HD 接近最优，同时 OpenB=NMV=0。定性对比（bunny、平滑输入等）显示它能保住耳朵、腿、脖颈等弱特征，而 QEM 家族常在特征线处产生”倒角”式伪影。

运行时间：主要开销在 RVD 构建（比 L-BFGS 更耗时），一般 40~50 次迭代收敛，实际耗时约 \(O(k(m+n))\)（\(m\) 为基网格复杂度，\(n\) 为目标点数，\(k\) 为迭代数）。在 40K 面的 block/bunny 上、0.5K~10K 点规模，总耗时约数秒到二十余秒量级，比 SMS、LPM、ERB 等快得多。

消融：\(\tau=1.0\) 会过度偏向 CVT 而损坏弱特征边，\(\tau\) 太小则点分布来不及均匀化；\(\lambda_{NA}\) 增大到 10 会让结果趋近 QEM 并使三角形质量下降；\(\mu\) 太小提前终止、特征对齐不充分，太大则迭代过多且质量退化。作者据此选定默认参数。方法还支持非欧度量（各向异性/密度自适应）、对 0.25%~0.5% 高斯噪声与低质量输入网格有较强鲁棒性，并可处理开边界与用户指定目标点数。作为下游应用，简化结果能改善网格分割（弱特征凸显使分割边界更直）与 CAD 模型轻量化。

贡献与局限

贡献：

1. 提出一个统一泛函，将精度、三角形质量、特征对齐三项需求同时纳入，实现良好平衡；
2. 引入衰减权重，随迭代逐步削弱 CVT 能量影响，自然协调两项冲突——这是它能聚合弱特征的关键，也是区别于绝大多数简化方法之处；
3. 提出一个简单有效的技巧，在薄板模型上正确计算 RVD。

局限：

1. 缺乏成熟的各向异性 RVD 求解器，无法充分发挥泛函对各向异性网格的潜力（当前各向异性/裁剪技术只能处理凸形状如椭球）；
2. 实现效率次优，尚未做 GPU 加速；
3. 当目标点数过少时，RVD 的对偶无法定义流形三角网格，方法会失效；输入若含自交面片也会产生非流形顶点/边。总体上只要目标点数充足，该 RVD 策略表现良好。

延伸思考

这篇工作最精妙的地方是把”两个互相打架的能量项”通过一个动态衰减权重转化为”分阶段主导”：先让 CVT 把点铺匀，再让法向各向异性把点吸到特征上。这种”退火式”的权重调度思想（而非固定权重的硬平衡）值得在其他多目标几何优化问题中借鉴。另一方面，弱特征的”聚合”能力揭示了简化不只是”删减”，也可以是”提炼形状语义”，其在网格分割等形状理解任务中的前置价值值得进一步挖掘。若能补上各向异性 RVD 求解器与 GPU 加速，方法在大规模、特征敏感的重网格化场景下会更实用。