VoroLight: Learning Voronoi Surface Meshes via Sphere Intersection

إليك ملخص تقني مفصل لورقة البحث بعنوان "VoroLight: تعلم شبكات سطح فورونوي عبر تقاطع الكرات".

1. بيان المشكلة

يعد إعادة بناء الأشكال ثلاثية الأبعاد من مصادر بيانات متنوعة (سحب النقاط، الصور، الحقول الضمنية) تحديًا جوهريًا في الرؤية الحاسوبية. تواجه الطرق الحالية مقايضة بين الضمانات الهندسية والمرونة:

• الطرق الضمنية (Implicit Methods): (مثل NeRF وDeepSDF) تتعامل جيدًا مع الهندسة المعقدة ولكنها تتطلب خطوات استخراج غير قابلة للاشتقاق (مثل Marching Cubes) لإنتاج الشبكات، مما يؤدي غالبًا إلى أسطح غير متوافقة (non-manifold) أو غير محكمة الإغلاق (non-watertight).
• طرق الشبكات الصريحة (Explicit Mesh Methods): (مثل التنبؤ المباشر) توفر وصولًا مباشرًا إلى عناصر الشبكة ولكنها تعتمد غالبًا على شبكات أو قوالب محددة مسبقًا، مما يحد من المرونة الهندسية ويفشل في ضمان إحكام الإغلاق أو الخلو من التقاطع الذاتي.
• طرق فورونوي القابلة للاشتقاق (Differentiable Voronoi Methods): (مثل VoroMesh) تنتج شبكات محكمة الإغلاق، محدبة، ومتسقة طوبولوجيًا عن طريق تحسين مواقع المولدات. ومع ذلك، تعتمد تكوينات فورونوي القياسية على رؤوس مستقرة (تُعرف بوجود 4 مولدات بالضبط في الفضاء ثلاثي الأبعاد)، مما ينتج أسطحًا غير متساوية محليًا و"متعرجة" تفتقر إلى الانحناء السلس. علاوة على ذلك، غالبًا ما تفتقر طرق فورونوي القابلة للاشتقاق السابقة إلى آليات لفرض انتظام هندسي من رتبة أعلى.

التحدي الجوهري: كيف يمكن تعلم شبكة سطح فورونوي سلسة، محكمة الإغلاق، ومتسقة طوبولوجيًا يمكن تدريبها عبر الاشتقاق المتدرج (gradient descent) على بيانات متعددة الأنماط، مع التغلب على "النتوءات" المتأصلة في مخططات فورونوي القياسية.

2. المنهجية: VoroLight

يقدم VoroLight إطار عمل قابل للاشتقاق يتعلم صراحةً تدهور (degeneracy) فورونوي من رتبة أعلى للتحكم في انحناء السطح. تتكون الطريقة من أربع مراحل رئيسية:

أ. تهيئة الشبكة (Mesh Initialization)

• استراتيجية انعكاس الحدود: يتم إنشاء سطح فورونوي أولي خشن عن طريق وضع المولدات في شبكة فوكسل (voxel grid). تُوضع المولدات الخارجية في حزمة رقيقة خارج الشكل، ويتم إنشاء المولدات الداخلية عن طريق عكس المولدات الخارجية عبر الناظم السطحي المقدر.
• الصياغة القابلة للاشتقاق: تستخدم تعبيرًا مغلقًا وقابلًا للاشتقاق للرؤوس فورونوي (بناءً على مواقع المولدات) لإجراء ملاءمة أولية للشكل والتنظيم.

ب. تقاطع الكرات (الابتكار الجوهري)

مستلهمًا من خوارزمية VoroCrust غير القابلة للاشتقاق، يقوم VoroLight برفع مفهوم البناء القائم على الكرات إلى إطار عمل قابل للتدريب.

• الكرات القابلة للتدريب: يرتبط كل رأس سطح فورونوي $v$ بكرة قابلة للتدريب $S_v = (c_v, r_v)$ (مركز ونصف قطر).
• التدهور عبر التقاطع: لتحقيق انحناء سلس، تفرض الطريقة تدهورًا من رتبة أعلى. لكل وجه مضلعي $f$، يتم تحديد زوج من نقاط التقاطع المستهدفة $(p_f^{(1)}, p_f^{(2)})$ على طول ناظم الوجه.
• خسارة تقاطع الكرات ($L_{sphere}$): يعمل التحسين على إجبار جميع الكرات المرتبطة بوجه معين على المرور عبر هاتين النقطتين المستهدفتين نفسهما.
  • خسارة التقاطع ($L_{int}$): تقلل من مسافة القدرة (power distance) للكرات المرتبطة بالنسبة للنقاط المستهدفة.
  • خسارة الاستبعاد ($L_{excl}$): تضمن أن الكرات غير المرتبطة بالوجه لا تحيط بالنقاط المستهدفة، مما يمنع عدم الاتساق الهندسي.
• الأثر: تجبر هذه القيود المولدات على الاصطفاف بطريقة تخلق رؤوسًا متدهورة (مشتركة بين 5 مولدات أو أكثر)، مما يربط اتجاهات الوجوه المتجاورة وينتج أسطحًا أكثر سلاسة وتنظيمًا.

ج. الإشراف متعدد الأنماط (Multimodal Supervision)

بما أن دالات الخسارة معرفة مباشرة على رؤوس السطح، فإن VoroLight يدعم الإشراف من مختلف أنماط المدخلات:

• الحقول الضمنية (Implicit Fields): تقلل من خطأ المستوى (level-set error) المربع.
• سحب النقاط/الشبكات: تقلل من مسافة تشامبر (Champer distance) ثنائية الاتجاه.
• الصور متعددة الزوايا: يستخدم التظليل القابل للاشتقاق (nvdiffrast) لتقليل خسائر الظل (silhouette)، وخرائط الناظم (normal maps)، والتظليل العصبي.

د. التمدد الحجمي (Volumetric Extension)

يمتد الإطار بشكل طبيعي إلى التفسيخ الحجمي (volumetric tessellations):

• المولدات الداخلية: يتم وضع مولدات إضافية في عمق الشكل.
• أخذ العينات المتحقق منها عبر فورونوي: تضمن عملية تكرارية أن هذه النقاط الداخلية لا تغير حدود السطح المحسنة.
• تفسيخ فورونوي المركزي (CVT): يتم تحسين المولدات الداخلية تحت خسارة CVT لإنشاء شبكة حجمية موحدة وعالية الجودة ذات طوبولوجيا سطح-داخل متسقة عالميًا.

3. المساهمات الرئيسية

1. إطار عمل VoroLight: أول صياغة فورونوي قابلة للاشتقاق تتعلم صراحةً التدهور من رتبة أعلى عبر كرات رؤوس قابلة للتدريب وخسارة تقاطع الكرات، مما يسمح بإعادة بناء سطح سلس.
2. الإشراف متعدد الأنماط: إطار عمل موحد قادر على التدريب على الحقول الضمنية، سحب النقاط، الشبكات، والصور متعددة الزوايا دون تغيير التمثيل الهندسي الأساسي.
3. الاتساق الحجمي: امتداد طبيعي للشبكات الحجمية يضمن إحكام الإغلاق والاتساق الطوبو لجي بين السطح والداخل، كما تم إثباته عبر تصميمات مصابيح فورونوي القابلة للطباعة ثلاثية الأبعاد.
4. المتانة والانتظام: أظهر تفوقًا في انتظام السطح (انحناء أكثر سلاسة) والمتانة تجاه الضوضاء مقارنة بطرق فورونوي القابلة للاشتقاق السابقة (VoroMesh).

4. النتائج التجريبية

قيم المؤلفون VoroLight على 22 جسمًا باستخدام مجموعات بيانات Thingi10K وObjaverse عبر ثلاثة أنماط مدخلات:

• الحقول الضمنية: في الأشكال التحليلية (قلب Taubin، مكعب مجوف)، قللت عملية تدريب تقاطع الكرات بشكل كبير من مقاييس الانحناء (Mean $|H|$, Median $|H|$, P95 $|H|$) وخسارة SDF، مما يؤكد إنتاج أسطح أكثر سلاسة.
• سحب النقاط والشبكات:
  • مقارنة بـ VoroMesh، ينتج VoroLight أسطحًا أكثر سلاسة مع عدد أقل من القيم المتطرفة عالية الانحناء ووجوه فورونوي أكثر اصطفافًا.
  • بينما يحافظ VoroMesh على تفاصيل عالية التردد أدق قليلاً (مسافة Chamfer أقل)، يوفر VoloLight انتظامًا هندسيًا واستقرارًا أفضل تحت المدخلات المشوشة.
  • المتانة تجاه الضوضاء: تحت ضوضاء غاوسية متزايدة (تصل إلى 2%)، يحافظ VoroLight على هياكل خلايا متماسكة، بينما يتفتت VoroMesh إلى خلايا غير منتظمة ومنفصلة.
• الصور متعددة الزوايا:
  • مقارنة بـ TetSphere Splatting، يحقق VoroLight مسافة Chamfer أقل ودرجات F1 أعلى في كل من 300 زاوية عشوائية وإعدادات 6 زوايا نادرة.
  • والأهم من ذلك، ينتج VoroLight شبكات حجمية محكمة الإغلاق ومتسقة عالميًا، بينما ينتج TetSphere غالبًا عناصر متداخلة أو فجوات بين مجموعات التتراهيدرا المحلية.
• دراسات الاستئصال (Ablation Studies):
  • استرخاء وجه المثلث: تقسيم وجوه المضلعات إلى مثلثات (مما يجعل النظام متسقًا محليًا مع 3 كرات بالضبط لكل وجه) يحسن دقة إعادة البناء (CD2 أقل) مع الحفاظ على سلاسة مماثلة.
  • التهيئة: الطريقة قوية تجاه دقة شبكة البداية الخشنة.

5. الأهمية والتأثير

• الجسر بين الهندسة والتعلم: نجح VoroLight في سد الفجوة بين الضمانات الهندسية الصارمة لمخططات فورونوي (إحكام الإغلاق، التحدب) ومرونة التعلم العميق.
• مخرجات جاهزة للمحاكاة: من خلال إنتاج شبكات محكمة الإغلاق، متوافقة (manifold)، وخالية من التقاطع الذاتي مع طوبولوجيا داخلية متسقة، تصبح المخرجات جاهزة فورًا لعمليات المحاكاة الفيزيائية اللاحقة (ديناميكا السوائل، ميكانيكا المواد الصلبة) والطباعة ثلاثية الأبعاد، وهي المجالات التي غالبًا ما تفشل فيها عمليات استخراج الشبكات من النماذج الضمنية.
• التدهور المتحكم به: تقدم الورقة نهجًا نظريًا وعمليًا مبتكرًا لـ "تعلم" التدهور في الهياكل الهندسية، وهو مفهوم يُتجنب عادةً في الهندسة الحسابية القياسية، لتحقيق السلاسة في التمثيلات المنفصلة.
• التطبيق العملي: يسلط عرض مصابيح فورونوي القابلة للطباعة ثلاثية الأبعاد الضوء على قدرة الطريقة على توليد أشياء صالحة فيزيائيًا، فنية، وسليمة بنيويًا مباشرة من البيانات.

باختًار، يمثل VoroLight خطوة مهمة للأمام في معالجة الهندسة القابلة للاشتقاق، حيث يقدم بديلًا قويًا وسلسًا ومتسقًا طوبولوجيًا لكل من إعادة البناء الضمني وتنبؤ الشبكة الصريح القياسي.