Globally Consistent Normal Orientation for Point Clouds by Regularizing the Winding-Number Field

一句话总结

给定一堆无朝向的点云，本文把”法向定向”重新表述为”正则化缠绕数场”的优化问题：从完全随机的法向出发，反复调整每个点的法向，直到由它们诱导的缠绕数场变得干净的二值化（内部为 1、外部为 0），从而得到全局一致的法向朝向。

研究背景

• 领域现状：为原始点云估计出全局一致朝向的法向是众多几何处理任务（表面重建、配准、内外判定、形状分析）的关键前置步骤。传统方法多先局部估计无朝向的法向张量，再靠最小生成树等传播策略统一朝向；近年的 iPSR、PGR 等则更强调全局一致性并取得更好效果。
• 核心痛点：现有方法在面对各种”不完美”数据时仍然脆弱——数据稀疏且伴随近距离缝隙、薄壁结构、相邻表面、尖锐特征、复杂拓扑时容易出错。局部传播方法不满足空间连贯性；iPSR 会把薄结构断开，PGR 会在管状形体上鼓包，且 PGR 在大模型上显存超线性增长。
• 本文 idea：缠绕数本是强大的内外判定工具，但它高度依赖可靠的法向。作者反过来利用这一点：只有当法向全局一致时，缠绕数场才会近似二值化。于是把”缠绕数场是否规整”当作优化目标去反推法向。

方法

整体框架：在点云的 Voronoi 图顶点处采样”检查点”，构造一个关于所有法向的光滑目标函数，用三项分别约束缠绕数场的三种性质，再用 L-BFGS 从随机初始法向开始无约束优化，通常 30–50 次迭代收敛，最后把点与法向一起喂给屏蔽泊松重建（SPR）得到表面。

flowchart LR
  A["无朝向点云"] --> B["构建 Voronoi 图<br/>取顶点作检查点"]
  B --> C["随机初始化法向"]
  C --> D["计算各检查点缠绕数"]
  D --> E["评估目标 f = f01 + λB·fB + λA·fA"]
  E --> F["L-BFGS 更新法向"]
  F --> D
  E --> G["收敛 → 全局一致法向"]
  G --> H["屏蔽泊松重建 → 表面"]

关键设计：

1. 在 Voronoi 顶点处检查缠绕数。广义缠绕数在查询点 \(\boldsymbol{q}\) 处按面积加权求和： \[w(\boldsymbol{q}) = \sum_{i=1}^{N} a_i \frac{(\boldsymbol{p}_i - \boldsymbol{q}) \cdot \boldsymbol{n}_i}{4\pi \lVert \boldsymbol{p}_i - \boldsymbol{q} \rVert^3}\] 作者观察到：对无噪点云，缠绕数在 Voronoi 顶点处天然接近 0 或 1；即便加入位置噪声，其直方图仍呈现靠近 0 和 1 的两个峰。由于大多数 Voronoi 顶点远离表面、对噪声不敏感，因此用全部 Voronoi 顶点（Voronoi 极点的超集）作检查点最稳。

2. 0-1 项 \(f_{01}\)：把缠绕数逼向二值。借用量子力学里的双阱函数 \[f_{DW}(x) = 4(x-0.5)^4 - 2(x-0.5)^2\] 它在 \(x=0\) 与 \(x=1\) 处各有一个谷。但随机法向会让缠绕数普遍趋于 0，因此加入一个剪切修正项 \(-w_j/D\) 来鼓励 1 的出现（经验取 \(D=4\)）。

3. 平衡项 \(f_B\)：让每个点周围的 0 与 1 均衡。若点密度满足局部特征尺寸标准，一个点的 Voronoi 单元应约有一半在内、一半在外。于是通过最大化该单元各顶点缠绕数的方差来抑制”全在内或全在外”的退化情形。

4. 对齐项 \(f_A\)：法向对齐 Voronoi 极点。当某 Voronoi 顶点位于外极点时，\(\boldsymbol{q}_k^i - \boldsymbol{p}_i\) 应与 \(\boldsymbol{n}_i\) 同向；内极点则反向。利用重排不等式，转化为最小化 \(\sum_k w_k^i\, \boldsymbol{n}_i \cdot (\boldsymbol{q}_k^i - \boldsymbol{p}_i)\)，使法向尽可能贴近 Voronoi 方法的精度。

三项合成为单一光滑目标函数： \[f(\boldsymbol{n}) = \frac{f_{01}(\boldsymbol{n}) + \lambda_B f_B(\boldsymbol{n}) + \lambda_A f_A(\boldsymbol{n})}{N}\] 把单位法向用球坐标 \(\boldsymbol{n}_i = (\sin u_i \cos v_i,\ \sin u_i \sin v_i,\ \cos u_i)\) 参数化后即为无约束优化。此外，面积权重 \(a_i\) 采用无参数策略：用垂直于”最远 Voronoi 顶点方向”的平面切分 Voronoi 单元，以切出的凸多边形面积定义，避免了 KNN 中对 \(k\) 的依赖。

实验结果

在 18 个模型、多种采样与噪声条件下评测，指标为”正确朝向法向的百分比”（预测法向与真值夹角小于 90° 视为正确）。下表选取几何上更具挑战性的模型，在最难的 0.5% 高斯噪声下对比各方法的正确率（%）：

模型 (0.5% 噪声)	Hoppe	König	PCPNet	Dipole	PGR	iPSR	本文
cup-22	55.93	60.10	67.70	57.90	99.35	98.73	99.85
sheet	51.10	51.05	81.13	59.55	99.88	97.23	99.98
mug	68.23	68.00	76.93	66.15	99.05	99.70	100.00
vase	86.43	88.83	82.70	90.70	97.88	98.55	99.65
mobius	55.98	55.13	82.03	53.65	94.90	68.23	85.78

在蓝噪采样下，本文方法对 88.9% 的测试模型达到 100% 正确率，显著高于对比方法。另一项重建质量实验中，把预测法向送入泊松重建并用 Chamfer Distance 衡量重建面与真值面误差，本文在薄壁、管状、尖锐特征区域优势明显；法向角度 RMSE 的统计也支持这一结论（细节在补充材料）。mobius 这类单侧不可定向曲面对基于缠绕数的方法本身不友好，是本文相对偏弱的少数情形之一。

亮点与局限

• 亮点：
  • 视角新颖——把法向定向反过来表述为缠绕数场的正则化，用一个统一光滑目标函数同时约束”二值化 / 局部均衡 / 极点对齐”三种性质。
  • 无需训练数据，全流程用同一套参数即可跑遍合成数据与真实扫描，对噪声和稀疏性稳健，能处理复杂几何/拓扑，甚至可用于编码开曲面的不完整点云。
  • 面积权重采用无参数的 Voronoi 切分估计，避免了缠绕数计算中对邻域 \(k\) 的敏感。
• 局限：
  • 依赖点云的 Voronoi 图，需满足一定的局部特征尺寸假设；极端稀疏或严重缺失时前提可能失效。
  • 对不可定向曲面（如 mobius）这类”内外/二值”假设不成立的形体，正确率明显下降。
  • 优化是逐点法向的非凸问题，需 30–50 次 L-BFGS 迭代，规模增大时计算量随 Voronoi 顶点数增长。

延伸思考

• 该工作与 iPSR、PGR 同属”以全局一致性为核心”的定向思路，但把监督信号从”重建残差/参数化高斯公式”换成了更几何直观的”缠绕数直方图应二值化”，值得对比三者在稀疏/薄壁下的失败模式差异。
• 缠绕数正则化的目标函数是否可微地嵌入端到端的神经重建管线（例如作为无监督法向一致性损失），可能是把该几何先验带入学习方法的一个方向。
• 对不可定向或多层嵌套曲面，若把”缠绕数取 0/1”放宽为”取整数集合”，能否用类似的多阱函数处理更一般的拓扑，是值得追问的点。