第5章：Poisson表面重建

本章概要

Poisson表面重建是点云到网格转换中最为优雅且数学基础扎实的方法之一。本章将深入探讨如何通过求解Poisson方程，从带法向的点云数据重建出平滑的水密曲面。我们将学习指示函数的概念、梯度场的构造、Poisson方程的离散化求解，以及八叉树加速技术。最后介绍Screened Poisson方法如何在保持全局平滑性的同时更好地保留细节特征。

本章学习目标：

• 理解指示函数与隐式曲面表示的关系
• 掌握从点云法向到梯度场的转换原理
• 深入理解Poisson方程在表面重建中的作用
• 学习八叉树自适应离散化技术
• 了解Screened Poisson的改进机制

5.1 指示函数与梯度场

5.1.1 指示函数的定义

指示函数（Indicator Function）是Poisson重建的核心概念。对于一个封闭的3D形状 $M$，其指示函数定义为：

$$\chi_M(p) = \begin{cases} 1 & \text{if } p \in \text{interior}(M) \\ 0 & \text{if } p \in \text{exterior}(M) \end{cases}$$ 这是一个理想的二值函数，在物体边界处存在不连续跳变。实际重建中，我们寻找一个平滑的近似函数 $\tilde{\chi}$，其0.5等值面对应重建的曲面。

5.1.2 梯度场与法向的关系

指示函数在曲面附近的关键性质是：其梯度在曲面上等于外法向。数学表达为： $$\nabla \chi_M |_{\partial M} = \vec{n}$$ 其中 $\vec{n}$ 是曲面的单位外法向。这个性质建立了指示函数与点云法向之间的桥梁。

        外部 (χ=0)
           ↑
      ─────┼───── 曲面 (χ=0.5)
           │
           ↓ ∇χ = n
        内部 (χ=1)

5.1.3 向量场的构造

给定带法向的点云 $\{(p_i, \vec{n}_i)\}_{i=1}^N$，我们构造一个向量场 $\vec{V}$，使其在采样点附近逼近法向场： $$\vec{V}(x) = \sum_{i=1}^N \vec{n}_i \cdot W(x - p_i)$$ 其中 $W$ 是权重函数，通常选择紧支撑的径向基函数。向量场 $\vec{V}$ 应当满足：

• 在采样点 $p_i$ 处，$\vec{V}(p_i) \approx \vec{n}_i$
• 在远离所有采样点的区域，$\vec{V} \to 0$

5.1.4 散度与Poisson方程

关键观察：如果 $\vec{V} = \nabla \tilde{\chi}$，则通过求解Poisson方程可以恢复指示函数： $$\Delta \tilde{\chi} = \nabla \cdot \vec{V}$$ 其中 $\Delta = \nabla^2$ 是拉普拉斯算子。这将点云重建问题转化为一个标准的偏微分方程求解问题。

5.2 Poisson方程的离散化

5.2.1 有限差分离散化

在规则网格上，拉普拉斯算子可以用中心差分离散化： $$\Delta u(i,j,k) \approx \frac{1}{h^2}[u(i+1,j,k) + u(i-1,j,k) + u(i,j+1,k) + u(i,j-1,k) + u(i,j,k+1) + u(i,j,k-1) - 6u(i,j,k)]$$ 其中 $h$ 是网格间距。

5.2.2 基函数展开

更一般地，我们将解表示为基函数的线性组合： $$\tilde{\chi}(x) = \sum_{o \in \mathcal{O}} \chi_o B_o(x)$$ 其中 $\mathcal{O}$ 是基函数的索引集（如八叉树节点），$B_o$ 是相应的基函数，$\chi_o$ 是待求系数。

5.2.3 Galerkin方法

使用Galerkin方法，将Poisson方程投影到基函数空间： $$\langle B_o, \Delta \tilde{\chi} \rangle = \langle B_o, \nabla \cdot \vec{V} \rangle$$ 利用分部积分和格林公式： $$-\langle \nabla B_o, \nabla \tilde{\chi} \rangle = -\langle \nabla B_o, \vec{V} \rangle$$

5.2.4 线性系统构造

代入基函数展开，得到线性系统： $$\sum_{o' \in \mathcal{O}} \chi_{o'} \langle \nabla B_o, \nabla B_{o'} \rangle = \langle \nabla B_o, \vec{V} \rangle$$ 矩阵形式： $$L\vec{\chi} = \vec{b}$$ 其中：

• $L_{o,o'} = \langle \nabla B_o, \nabla B_{o'} \rangle$ 是刚度矩阵
• $b_o = \langle \nabla B_o, \vec{V} \rangle$ 是右端项
• $\vec{\chi}$ 是待求系数向量

5.3 八叉树加速结构

5.3.1 自适应空间剖分

八叉树提供了自适应的空间离散化：

• 在几何细节丰富的区域使用小的叶节点
• 在平坦区域使用大的叶节点

    ┌───────────┐
    │     R     │  根节点
    └─────┬─────┘
          │
    ┌─────┴─────┐
    ↓     ↓     ↓
  ┌───┐ ┌───┐ ┌───┐
  │ A │ │ B │ │ C │  中间层
  └───┘ └─┬─┘ └───┘
          │
      ┌───┴───┐
      ↓   ↓   ↓
    ┌─┐ ┌─┐ ┌─┐
    │1│ │2│ │3│  叶节点
    └─┘ └─┘ └─┘

5.3.2 深度确定策略

节点深度 $d$ 的确定基于：

1. 点密度：包含点数超过阈值时细分
2. 法向变化：法向变化剧烈时细分
3. 最大深度限制：防止过度细分

深度函数： $$d(p) = \min\{d_{max}, \max\{d_{density}(p), d_{normal}(p)\}\}$$

5.3.3 多分辨率基函数

每个八叉树节点 $o$ 对应一个三线性B样条基函数： $$B_o(x,y,z) = b(\frac{x-c_x^o}{w_o}) \cdot b(\frac{y-c_y^o}{w_o}) \cdot b(\frac{z-c_z^o}{w_o})$$ 其中：

• $(c_x^o, c_y^o, c_z^o)$ 是节点中心
• $w_o$ 是节点宽度
• $b(t)$ 是一维B样条基函数

5.3.4 跨层级耦合

相邻层级的基函数存在重叠，需要正确处理跨层级的相互作用： $$\langle \nabla B_{parent}, \nabla B_{child} \rangle \neq 0$$ 这导致刚度矩阵具有多分辨率结构。

5.4 Screened Poisson改进

5.4.1 原始Poisson方法的局限

传统Poisson重建过度平滑，难以保留尖锐特征。主要原因：

• 全局最小二乘优化倾向于平滑解
• 远离采样点的区域缺乏约束
• 法向信息未充分利用点的位置信息

5.4.2 Screened项的引入

Screened Poisson在原目标函数中加入数据项： $$E(\tilde{\chi}) = |\nabla \tilde{\chi} - \vec{V}|^2 + \alpha \sum_{i=1}^N |\tilde{\chi}(p_i) - 0.5|^2$$ 第二项是"screening"项，强制指示函数在采样点处接近0.5（即曲面）。

5.4.3 权重平衡策略

平衡参数 $\alpha$ 的选择至关重要：

• $\alpha$ 过小：退化为原始Poisson，过度平滑
• $\alpha$ 过大：过拟合噪声，失去全局一致性

自适应策略： $$\alpha(p) = \alpha_0 \cdot \rho(p)^2$$ 其中 $\rho(p)$ 是点云在 $p$ 处的局部密度。

5.4.4 线性系统的修正

加入screening项后，线性系统变为： $$(L + \alpha S)\vec{\chi} = \vec{b} + \alpha \vec{s}$$ 其中：

• $S$ 是screening矩阵：$S_{o,o'} = \sum_i B_o(p_i)B_{o'}(p_i)$
• $\vec{s}$ 是screening右端项：$s_o = 0.5 \sum_i B_o(p_i)$

5.4.5 多重网格求解

由于系统规模巨大，通常采用多重网格方法：

1. 限制（Restriction）：将残差从细网格传递到粗网格
2. 松弛（Relaxation）：在各层级进行局部迭代
3. 延拓（Prolongation）：将修正从粗网格传递到细网格

V-cycle算法：

function V_cycle(level, x, b):
    if level == coarsest:
        return direct_solve(A[level], b)

    x = smooth(A[level], x, b, ν₁)  # 前平滑
    r = b - A[level] * x            # 残差
    r_c = restrict(r)                # 限制
    e_c = V_cycle(level+1, 0, r_c)   # 递归
    e = prolongate(e_c)              # 延拓
    x = x + e                        # 修正
    x = smooth(A[level], x, b, ν₂)  # 后平滑
    return x

5.5 实现细节与优化

5.5.1 边界条件处理

Poisson方程需要适当的边界条件：

1. Dirichlet条件：$\tilde{\chi}|_{\partial\Omega} = 0$（外边界设为0）
2. Neumann条件：$\frac{\partial\tilde{\chi}}{\partial n}|_{\partial\Omega} = 0$（自然边界）

实践中常用Neumann条件，允许解在边界自由变化。

5.5.2 法向一致性

输入法向可能不一致，需要预处理：

1. 传播法：从种子点开始，通过最小生成树传播法向
2. 优化法：最小化相邻点法向的不一致性

目标函数： $$E_{orient} = \sum_{(i,j) \in \mathcal{E}} w_{ij}(1 + \vec{n}_i \cdot \vec{n}_j)$$

5.5.3 置信度加权

不同采样点的可靠性不同，引入置信度权重： $$\vec{V}(x) = \sum_{i=1}^N c_i \vec{n}_i \cdot W(x - p_i)$$ 置信度 $c_i$ 基于：

• 局部采样密度
• 法向估计质量
• 传感器噪声模型

5.5.4 等值面提取

从重建的指示函数提取0.5等值面：

1. Marching Cubes：在均匀网格上提取
2. Adaptive extraction：在八叉树上自适应提取
3. Dual Contouring：生成更好的尖锐特征

提取时的优化：

• 使用查找表加速
• 并行化处理
• 顶点位置的二次优化

本章小结

Poisson表面重建通过优雅的数学框架实现了从点云到网格的转换：

核心概念：

• 指示函数 $\chi$ 隐式表示3D形状
• 梯度场 $\nabla\chi$ 与表面法向的对应关系
• Poisson方程 $\Delta\chi = \nabla \cdot \vec{V}$ 连接法向与曲面

关键技术：

• 八叉树自适应离散化实现多分辨率
• Galerkin方法将PDE转化为线性系统
• Screened项平衡全局平滑与局部拟合
• 多重网格方法高效求解大规模系统

主要公式汇总：

1. Poisson方程：$\Delta\tilde{\chi} = \nabla \cdot \vec{V}$
2. Screened目标函数：$E = |\nabla\tilde{\chi} - \vec{V}|^2 + \alpha\sum_i|\tilde{\chi}(p_i) - 0.5|^2$
3. 线性系统：$(L + \alpha S)\vec{\chi} = \vec{b} + \alpha\vec{s}$
4. 刚度矩阵：$L_{o,o'} = \langle\nabla B_o, \nabla B_{o'}\rangle$

Poisson重建的优势在于全局优化带来的鲁棒性和水密性保证，而Screened改进则在保持这些优点的同时提升了细节保真度。

常见陷阱与错误 (Gotchas)

1. 法向方向不一致

问题：点云法向朝向混乱，导致重建失败或产生错误拓扑 症状：重建结果出现大量孔洞或内外翻转 解决：

• 使用最小生成树进行法向传播
• 检查法向与视点的一致性
• 对称物体需要特殊处理

2. 八叉树深度设置不当

问题：深度过浅丢失细节，过深导致过拟合噪声 症状：表面过度平滑或出现高频噪声 解决：

• 根据点云密度自适应设置深度
• 典型范围：8-12层
• 使用交叉验证确定最优深度

3. Screened权重失衡

问题：α参数设置不当导致欠拟合或过拟合 症状：表面偏离点云或产生振荡 调试技巧：

α太小 → 表面过度平滑，远离采样点
α太大 → 表面振荡，过拟合噪声
α适中 → 平衡全局平滑与局部细节

4. 边界伪影

问题：重建边界出现不自然的突起或凹陷 原因：边界条件设置不当或点云覆盖不完整 解决：

• 扩展包围盒，给边界留出缓冲区
• 使用Neumann边界条件
• 补充虚拟边界点

5. 内存溢出

问题：大规模点云导致内存不足 症状：程序崩溃或极度缓慢 优化策略：

• 使用out-of-core算法
• 分块处理后合并
• 稀疏矩阵存储优化

6. 数值稳定性

问题：矩阵病态导致求解不稳定 症状：迭代不收敛或解包含NaN 处理方法：

• 添加正则化项：$(L + \epsilon I)$
• 使用预条件子
• 检查基函数的条件数

7. 拓扑错误

问题：生成非流形网格或自相交 原因：等值面提取的二义性 修复：

• 使用改进的Marching Cubes变体
• 后处理拓扑修复
• 调整等值面阈值（不一定是0.5）

8. 性能瓶颈诊断

常见瓶颈及优化：

构造八叉树 (15-25%) → 并行化、空间哈希
构造矩阵 (20-30%) → 利用对称性、稀疏存储
求解系统 (40-50%) → 多重网格、GPU加速
等值面提取 (10-15%) → 并行Marching Cubes

练习题

基础题

练习5.1：指示函数性质

证明对于封闭曲面 $M$，其指示函数 $\chi_M$ 的梯度在曲面上垂直于曲面。

Hint: 考虑指示函数的等值面族 $\chi_M(x) = c$ 以及梯度与等值面的关系。

练习5.2：Poisson方程推导

从向量场 $\vec{V} = \nabla \tilde{\chi}$ 出发，推导Poisson方程 $\Delta \tilde{\chi} = \nabla \cdot \vec{V}$。

Hint: 利用向量恒等式 $\nabla \cdot (\nabla f) = \Delta f$。

练习5.3：八叉树复杂度分析

设点云有 $N$ 个点，八叉树最大深度为 $D$，分析构造八叉树的时间复杂度。

Hint: 考虑每个点的插入成本和树的最大节点数。

练习5.4：Screened权重选择

解释为什么Screened Poisson中的权重 $\alpha$ 应该与局部点密度的平方成正比。

Hint: 考虑不同密度区域的相对贡献。

挑战题

练习5.5：多重网格收敛性分析

证明V-cycle多重网格方法的收敛率与网格层数无关（网格无关收敛性）。

Hint: 分析高频和低频误差分量的衰减率。

练习5.6：自适应八叉树优化

设计一个基于曲率的自适应细分准则，使八叉树在几何特征丰富的区域自动加密。

Hint: 利用法向变化率估计局部曲率。

if (F_o > τ(d)) and (d < d_max):
    subdivide(o)

练习5.7：边界条件影响分析

比较Dirichlet和Neumann边界条件对Poisson重建结果的影响，特别是在开放曲面的情况下。

Hint: 从能量最小化角度分析不同边界条件的约束作用。

底面：Dirichlet（固定参考）
侧面：Neumann（自由边界）
顶面：Robin（混合条件）

练习5.8：数值精度与稳定性

分析Poisson系统的条件数，提出改善数值稳定性的预条件子设计。

Hint: 考虑多分辨率基函数导致的尺度差异。

预处理：对角缩放 + 行平衡
迭代求解：PCG + AMG预条件子
容错机制：检测停滞，切换到直接法