Electrostatics-Inspired Surface Reconstruction (EISR): Recovering 3D Shapes as a Superposition of Poisson's PDE Solutions

1. Problématique et Contexte

La reconstruction de surfaces 3D à partir de données partielles (nuages de points, images) est un problème fondamental en vision par ordinateur. Les méthodes actuelles d'état de l'art (SotA) reposent souvent sur des représentations implicites, telles que les fonctions de distance signée (SDF), apprises via des réseaux de neurones profonds.

Cependant, ces méthodes souffrent de plusieurs limitations majeures :

• Besoin de supervision importante : Elles nécessitent de nombreux échantillons de points et leurs distances à la surface pour apprendre correctement la SDF.
• Complexité de l'optimisation : La plupart des méthodes tentent d'approximer la SDF en imposant une contrainte via l'équation d'Eikonal ($\|\nabla \phi(x)\| = 1$) sous forme de fonction de perte. Cette équation est non-linéaire et difficile à résoudre, ce qui entraîne des compromis complexes entre les pertes de reconstruction et les pertes de régularisation PDE, ralentissant la convergence.
• Coût computationnel : Les approches basées sur l'Eikonal ou les champs de radiance neuronaux (NeRF) peuvent être coûteuses en temps d'optimisation et difficiles à interpréter.

L'objectif de cet article est de proposer une alternative qui réduit le besoin de supervision, simplifie l'optimisation grâce à la linéarité des équations physiques, et permet de capturer efficacement les détails haute fréquence.

2. Méthodologie : EISR (Reconstruction de Surface Inspirée par l'Électrostatique)

Les auteurs proposent de remplacer l'équation d'Eikonal par l'équation de Poisson, en s'inspirant de la théorie électrostatique.

A. Formulation Physique

Au lieu de modéliser la surface comme le niveau zéro d'une SDF satisfaisant l'équation d'Eikonal, la méthode EISR modélise le champ scalaire $\phi(x)$ comme le potentiel électrostatique généré par une distribution de charges positives $\rho(x)$ à l'intérieur de l'objet.

L'équation de Poisson est utilisée :
$$\Delta \phi(x) = -\frac{\rho(x)}{\epsilon_0}$$
Sous les conditions aux limites suivantes :

• $\phi(x) = \tau$ (une constante positive) sur la frontière $\partial\Omega$ de l'objet.
• $\rho(x) > 0$ partout dans l'espace (densité de charge positive).

Grâce au principe du minimum de l'équation de Poisson, si la source de charge est positive, le potentiel $\phi(x)$ atteint son minimum sur la frontière et est strictement plus grand à l'intérieur. Cela garantit que la surface de niveau (iso-surface) $\phi(x) = \tau$ correspond bien à la frontière de l'objet, avec $\phi(x) > \tau$ à l'intérieur et $\phi(x) < \tau$ à l'extérieur, mimant ainsi le comportement d'une SDF.

B. Solution Analytique via les Fonctions de Green

Contrairement à l'équation d'Eikonal, l'équation de Poisson est linéaire. Cela permet d'utiliser les fonctions de Green pour obtenir une solution analytique sous forme fermée.
La solution $\phi(x)$ est exprimée comme la convolution de la fonction de Green $G$ (réponse impulsionnelle du Laplacien) et de la densité de charge $\rho(x)$ :
$$\phi(x) = -\frac{1}{\epsilon_0} \int_{\mathbb{R}^3} G(x - s) \rho(s) \, ds$$

C. Paramétrisation par Priors de Forme (Gaussiennes)

Pour rendre le problème tractable et évitable d'intégration numérique coûteuse, les auteurs paramétrisent la densité de charge $\rho(x)$ comme une somme de $K$ distributions de charges gaussiennes isotropes (les "priors de forme") :
$$\rho_\theta(x) = \sum_{i=1}^K Q_i \cdot \mathcal{N}(x; s_i, \sigma_i)$$
où $s_i$ est la position, $Q_i$ la magnitude et $\sigma_i$ l'étalement de la $i$-ème charge.

En exploitant la linéarité de l'équation de Poisson, le potentiel total est la superposition des potentiels individuels de chaque charge gaussienne. La solution analytique pour une charge gaussienne est connue et implique la fonction d'erreur (erf) :
$$\phi_i(x) = \frac{Q_i}{4\pi\epsilon_0 \|x - s_i\|} \operatorname{erf}\left(\frac{\|x - s_i\|}{\sqrt{2}\sigma_i}\right)$$
Le champ total est donc :
$$\phi_\Omega(x) = \sum_{i=1}^K \phi_i(x)$$

D. Apprentissage et Optimisation

L'objectif est d'optimiser les paramètres $\theta = \{s_i, Q_i, \sigma_i\}_{i=1}^K$ pour que l'iso-surface $\phi_\Omega(x) = \tau$ corresponde à la surface cible.
L'optimisation utilise deux fonctions de perte :

1. Perte de condition aux limites ($L_{bc}$) : Force le champ à valoir $\tau$ sur les points de la surface cible échantillonnés.
2. Perte de restriction de charge ($L_{cr}$) : Force les centres des charges $s_i$ à rester à l'intérieur de l'objet (en minimisant la distance aux points intérieurs), garantissant ainsi la validité physique du modèle.

Une particularité majeure est que aucune perte de régularisation PDE (comme la perte Eikonal) n'est nécessaire, car la solution satisfait exactement l'équation de Poisson par construction.

3. Contributions Clés

1. Remplacement de l'Eikonal par Poisson : Introduction d'une équation de Poisson comme proxy pour la reconstruction de surfaces, évitant les pertes de régularisation non-linéaires coûteuses et complexes.
2. Solution Analytique et Linéarité : Exploitation de la linéarité de l'équation de Poisson via les fonctions de Green pour obtenir une expression fermée du champ implicite, permettant une représentation sous forme de superposition de solutions élémentaires.
3. Représentation Compacte et Haute Fréquence : Démonstration qu'un petit nombre de charges gaussiennes (priors) suffit à capturer la géométrie globale, tandis que l'augmentation du nombre de charges permet de reconstruire des détails haute fréquence (plis, textures) avec une grande précision.

4. Résultats Expérimentaux

Les auteurs ont évalué EISR sur des ensembles de données standards (Stanford 3D Scanning Repository, Williams et al.) et l'ont comparé à :

• IGR (Implicit Geometric Regularization) : Une méthode SDF basée sur l'Eikonal.
• Poisson Reconstruction (Classique) : Une méthode géométrique traditionnelle dépendante des normales.

Performances :

• Précision : EISR obtient des résultats compétitifs, surpassant souvent IGR et la reconstruction de Poisson classique (même celle utilisant des normales parfaites) en termes de distance de Chamfer ($d_C$) et de distance de Hausdorff ($d_H$).
• Détails Haute Fréquence : L'article montre que même avec un nombre réduit de charges (ex: 5 000), la méthode reconstruit la géométrie globale avec succès. L'augmentation du nombre de charges améliore significativement les détails fins (ex: les plis du dos de l'Armadillo, le nez du Lapin).
• Efficacité : La méthode converge rapidement (quelques minutes par objet sur un GPU) et ne nécessite pas de données de normales pour l'entrée, contrairement à la méthode de Poisson classique.
• Analyse de la Sensibilité : L'initialisation de l'étalement des charges ($\sigma$) influence la fréquence des détails capturés : des étalements plus petits favorisent les hautes fréquences, tandis que des étalements plus grands capturent les basses fréquences (formes globales).

5. Signification et Limites

Signification :
Ce travail établit un pont fort entre la physique (électrostatique) et l'apprentissage automatique pour la vision 3D. En transformant un problème d'optimisation non-linéaire complexe (SDF + Eikonal) en un problème de régression linéaire sur des paramètres physiques (charges), EISR offre une méthode interprétable, robuste et efficace. Elle démontre que les principes physiques peuvent servir de biais inductifs puissants pour réduire la dépendance aux grandes quantités de données supervisées.

Limites :

• Supervision complète : La méthode actuelle nécessite des points de surface complets pour optimiser les charges. Elle n'est pas directement applicable à des vues partielles ou des images RGB sans extension (ex: perte photométrique).
• Surfaces plates/concaves : La représentation par sommes de gaussiennes peut nécessiter un grand nombre de charges pour approximer parfaitement des surfaces très plates ou très concaves.
• Coût de calcul : L'évaluation du champ pour un grand nombre de points de requête nécessite le calcul des distances par paire entre les points et chaque charge, ce qui peut devenir coûteux si le nombre de charges est très élevé (bien que des structures d'accélération puissent être envisagées).

En conclusion, EISR propose une nouvelle voie prometteuse pour la reconstruction 3D, combinant la rigueur mathématique des équations aux dérivées partielles avec la flexibilité de l'apprentissage profond.