Résumé Technique : Surfaces de Blending par Cartes (Blended Chart Surfaces - BCS)

Énoncé du Problème

Le traitement géométrique moderne nécessite des représentations de surfaces qui soient compactes, explicites et capables de supporter une large gamme de topologies et de détails géométriques. Crucialement, ces représentations doivent fournir des garanties de lissé global (par exemple, $C^k$ ou $C^\infty$) et un accès fiable aux quantités différentielles (normales, énergies de surface) tout en restant compatibles avec les pipelines d'optimisation différentiables.

Les approches existantes font face à des compromis importants :

• Représentations Implicites : Bien que flexibles pour les topologies complexes et faciles à optimiser, elles sont volumétriques ($\mathbb{R}^3 \to \mathbb{R}$) et non compactes. Les applications en aval nécessitant des surfaces explicites (par exemple, la simulation, la fabrication) imposent l'usage de l'iso-surfaçage (par exemple, Marching Cubes), ce qui produit des approximations de type piecewise-linear (linéaires par morceaux) qui introduisent des artefacts de non-lissé et dégradent la stabilité des estimations différentielles.
• Représentations Explicites : Les méthodes classiques telles que les splines et les surfaces de subdivision offrent des garanties de continuité mais sont souvent mal adaptées à l'ajustement par apprentissage (learning-based fitting) à des formes cibles. Les alternatives explicites neuronales (par exemple, les modèles basés sur des patchs) souffrent souvent d'artefacts de couture, de discontinuités de dérivées aux frontières des patchs ou d'hypothèses restrictives concernant la paramétrisation globale (par exemple, exiger des topologies de type disque ou sphère).

Le défi central consiste à construire une représentation de surface explicite qui soit compacte, expressive et lisse par construction, sans nécessiter de paramétrisation globale précalculée, tout en étant capable de supporter une optimisation différentiable par rapport à des cibles implicites.

Méthodologie : Surfaces de Blending par Cartes (BCS)

Les auteurs proposent les Surfaces de Blending par Cartes (BCS), une représentation explicite et sans réseau (network-free) qui construit une surface globalement lisse sur un maillage proxy grossier fourni par l'utilisateur (un complexe simplicial). La méthode découple la topologie de la surface (portée par le proxy) des détails géométriques (portés par des patchs locaux lisses).

Composants Clés

1. Cartes Polynomiales Locales :

   • Une carte polynomiale locale $p_i$ est assignée à chaque sommet $v_i$ du maillage proxy grossier.
   • Ces cartes sont définies en termes de coordonnées de l'un-ring (one-ring coordinates). Pour un sommet $v_i$, les triangles environnants sont transformés de manière affine en triangles équilatéraux unités et "aplatis" dans un domaine 2D. Cela crée un système de coordonnées polaires $(r, \theta)$ où l'angle est redimensionné en fonction de la valence $\eta$ du sommet pour mapper l'un-ring vers un disque unité.
   • La carte locale $p_i$ est construite comme $p_i(t) = s_i R_i m_i(t) + v_i$, où $m_i$ est une fonction polynomiale apprenable (par exemple, quadratique) dans les coordonnées de l'un-ring, et $s_i, R_i, v_i$ sont des paramètres d'échelle, de rotation et de translation dérivés de la géométrie du proxy grossier. Cette construction assure l'équivariance aux mouvements rigides et à l'échelle du proxy.

2. Blending par Partition de l'Unité (Partition-of-Unity Blending) :

   • Pour assurer la lissé global, les cartes locales sont mélangées (blended) à l'aide d'un schéma de pondération de partition de l'unité lisse.
   • Cas 1D (Courbes) : Les fonctions de sommets adjacents sont mélangées sur des intervalles chevauchants $[-1, 1]$ à l'aide d'une carte de transition et d'une fonction de blending $B(t)$.
   • Cas 2D (Surfaces) : Pour un point $x$ dans un triangle $ijk$, le point de surface est calculé comme une somme pondérée des trois fonctions de sommets :
     $$c_{ijk}(x) = p_i(\text{oc}_{ijk}^i(x))B_{2D}(x,i) + p_j(\text{oc}_{ijk}^j(x))B_{2D}(x,j) + p_k(\text{oc}_{ijk}^k(x))B_{2D}(x,k)$$
   • La fonction de blending 2D $B_{2D}$ est dérivée d'une fonction de transition lisse 1D basée sur un noyau exponentiel. Les auteurs conçoivent spécifiquement cette fonction pour satisfaire les conditions de continuité $C^\infty$ (dérivées nulles aux frontières) et les propriétés de partition de l'unité.

3. Optimisation :

   • La représentation ne nécessite pas de paramétrisation globale de la forme cible. Au lieu de cela, les coefficients des polynômes locaux $m_i$ sont optimisés directement pour s'ajuster à une cible implicite (par exemple, des champs de distance signés (SDF), des Neural SDFs ou des fonctions de distance non signées).
   • L'objectif minimise la distance entre la surface BCS et l'ensemble de niveau zéro du champ implicite (par exemple, en minimisant la valeur absolue moyenne de la SDF sur la surface).
   • Des termes de régularisation (par exemple, l'alignement des normales avec le gradient implicite) peuvent être ajoutés pour prévenir les replis et assurer la stabilité.

Contributions Clés

1. Représentation Compacte, Explicite et Sans Réseau : BCS fournit une représentation de surface entièrement explicite définie par un ensemble de patchs polynomiaux locaux chevauchants. Elle ne nécessite que $O(d_{poly}^2 |V|)$ paramètres (où $|V|$ est le nombre de sommets du proxy et $d_{poly}$ est le degré polynomial), évitant ainsi le nombre élevé de paramètres des MLP denses.
2. Lissé Global Garanti ($C^\infty$) : Par construction, le schéma de blending assure que la surface résultante est $C^\infty$ lisse à travers les frontières de patchs, même si le maillage proxy sous-jacent contient des arêtes ou des coins saillants. Ceci est rendu possible par la conception spécifique des fonctions de blending et l'utilisation des coordonnées de l'un-ring.
3. Indépendance de la Topologie : La méthode supporte des topologies arbitraires (incluant les surfaces non orientables comme les rubans de Möbius et les surfaces avec bordures) car elle est ancrée à un maillage proxy fourni par l'utilisateur plutôt qu'à un domaine canonique (comme une sphère ou un disque).
4. Différentiabilité et Accès aux Quantités Différentielles : La représentation est entièrement différentiable, permettant l'évaluation stable des positions, des normales et des énergies de surface (par exemple, l'énergie élastique) via la différenciation automatique. Cela facilite l'optimisation de bout en bout et l'utilisation potentielle dans la simulation physique.
5. Équivariance : La construction est équivariante aux mouvements rigides et à l'échelle du maillage proxy, assurant un comportement cohérent sous des transformations géométriques.

Résultats et Évaluation

Les auteurs évaluent BCS sur des surfaces présentant des topologies variées (genre 0 à 4) et des complexités géométriques diverses, en les ajustant à la fois à des champs implicites analytiques et à des champs implicites neuronaux appris.

• Performance Qualitative : BCS atteint des reconstructions de haute fidélité qui sont lisses à travers les frontières de patchs. Les cartes d'erreur indiquent une faible déviation par rapport aux champs implicites cibles. La méthode gère efficacement les topologies complexes (par exemple, le modèle "Fertility" de genre 4) et les surfaces non orientables (ruban de Möbius).
• Comparaison avec les Références (Baselines) :
  • Splines d'Interpolation : Comparée aux travaux de Djuren et al. [DFK*25], BCS obtient une meilleure qualité d'ajustement de surface car elle optimise les fonctions de sommets conjointement par rapport à la forme cible, tandis que les splines d'interpolation les optimisent indépendamment pour s'ajuster aux sommets du proxy.
  • Fonctions de Blending : La fonction de blending de "transition lisse" proposée surpasse les fonctions barycentriques (qui ne produisent qu'une continuité $C^0$), exponentielles (qui échouent à atteindre zéro aux frontières, causant des trous) et trigonométriques (qui produisent une continuité $C^1$) en termes de garanties de continuité et de stabilité de la courbure.
  • Déplacement par MLP : Contrairement aux MLP de déplacement de maillage (par exemple, NGFM), qui conservent les discontinuités tangentielles du maillage proxy, BCS produit des surfaces globalement lisses.
• Quantités Différentielles : Le papier démontre le calcul stable des normales et de la courbure moyenne. Il montre également la capacité d'optimiser l'énergie élastique, soulignant le potentiel pour la simulation physique différentiable de feuilles minces.
• Compression : BCS offre un compromis favorable entre compacité et expressivité. Pour un proxy d'environ 250 sommets et des patchs quadratiques, elle utilise environ 4 500 coefficients scalaires, ce qui est comparable ou inférieur aux petits MLP utilisés dans des tâches similaires.

Signification et Revendications

L'article affirme que les Blended Chart Surfaces parviennent à combler le fossé entre la flexibilité des représentations implicites et l'utilité des représentations explicites. En fournissant une représentation explicite, compacte et $C^\infty$-lisse, directement optimisable par rapport à des cibles implicites sans paramétrisation globale, BCS répond à une limitation critique des pipelines actuels de traitement géométrique.

Les auteurs soulignent que la méthode est particulièrement significative pour :

• L'Optimisation Différentiable : Permettre un ajustement et une optimisation de la géométrie de surface par gradient stable.
• La Géométrie Différentielle : Fournir un accès fiable aux quantités différentielles d'ordre supérieur (normales, courbure, énergie), qui sont souvent instables ou indéfinies dans les représentations piecewise-linear ou de faible continuité.
• La Simulation Physique : Offrir un cadre naturel pour simuler des feuilles minces et des matériaux élastiques grâce à la nature intrinsèquement 2D et lisse de la représentation.

Le travail conclut que, bien que la méthode soit sensible à la qualité du maillage proxy et puisse lisser les caractéristiques saillantes sans régularisation spécifique, elle constitue une base robuste pour des extensions futures axées sur les fonctionnalités (feature-aware), les surfaces animées et la modélisation générative conditionnée par des proxies grossiers.