Technische Samenvatting: Blended Chart Surfaces

Probleemstelling

Moderne geometische verwerking vereist oppervlaktevoorstellingen die compact, expliciet en in staat zijn om een breed scala aan topologieën en geometrische details te ondersteunen. Cruciaal is dat deze voorstellingen wereldwijde gladheidgaranties moeten bieden (bijv. $C^k$ of $C^\infty$) en betrouwbare toegang tot differentiële grootheden (normalen, oppervlakte-energieën) moeten mogelijk maken, terwijl ze compatibel blijven met differentiële optimalisatiepipelines.

Bestaande benaderingen kampen met aanzienlijke afruilscenario's:

• Impliciete Voorstellingen: Hoewel flexibel voor complexe topologieën en gemakkelijk te optimaliseren, zijn ze volumetrisch ($\mathbb{R}^3 \to \mathbb{R}$) en niet compact. Downstream-toepassingen die expliciete oppervlakken vereisen (bijv. simulatie, fabricage), noodzaken iso-surfacing (bijv. Marching Cubes), wat stuksgewijze lineaire benaderingen produceert die niet-gladde artefacten introduceren en de stabiliteit van differentiële schattingen verslechteren.
• Expliciete Voorstellingen: Klassieke methoden zoals splines en subdivisie-oppervlakken bieden continuiteitsgaranties, maar zijn vaak minder geschikt voor het leren van passende vormen (learning-based fitting). Neurale expliciete alternatieven (bijv. patch-gebaseerde modellen) lijden vaak aan naad-artefacten, afgeleide discontinuïteiten bij patchgrenzen of restrictieve aannames over globale parametrisatie (bijv. vereiste van schijf- of sfeer-topologieën).

De centrale uitdaging is het construeren van een expliciete oppervlaktevoorstelling die compact, expressief en van constructie glad is, zonder een vooraf berekende globale parametrisatie te vereisen, terwijl deze compatibel blijft met differentiële optimalisatie tegen impliciete doelen.

Methodologie: Blended Chart Surfaces (BCS)

De auteurs stellen Blended Chart Surfaces (BCS) voor, een netwerkvrije, expliciete voorstelling die een globaal glad oppervlak construeert over een door de gebruiker verstrekte grove proxy-mesh (een simpliciaal complex). De methode ontkoppelt de oppervlakte-topologie (gedragen door de proxy) van de geometrische details (gedragen door gladde lokale patches).

Kerncomponenten

1. Lokale Polynomiale Kaarten:

   • Aan elke vertex $v_i$ van de grove proxy-mesh wordt een lokale polynomiale kaart $p_i$ toegewezen.
   • Deze kaarten worden gedefinieerd in termen van one-ring coördinaten. Voor een vertex $v_i$ worden de omliggende driehoeken affien getransformeerd naar een eenheids-gelijkzijdige driehoek en "platgeslagen" in een 2D-domein. Dit creëert een polair coördinatensysteem $(r, \theta)$ waarbij de hoek wordt geschaald op basis van de vertex-valentie $\eta$ om de one-ring naar een eenheidsschijf te mappen.
   • De lokale kaart $p_i$ wordt geconstrueerd als $p_i(t) = s_i R_i m_i(t) + v_i$, waarbij $m_i$ een leerbare polynomiale functie is (bijv. kwadratisch) in de one-ring coördinaten, en $s_i, R_i, v_i$ schaal-, rotatie- en translatieparameters zijn afgeleid van de grove proxy-geometrie. Deze constructie waarborgt equivariantie naar rigide bewegingen en schaling van de proxy.

2. Partition-of-Unity Blending:

   • Om wereldwijde gladheid te garanderen, worden de lokale kaarten samengevoegd met behulp van een smooth partition-of-unity weegschema.
   • 1D Geval (Curven): Naburige vertex-functies worden samengevoegd over overlappende intervallen $[-1, 1]$ met behulp van een transitiekaart en een blendingfunctie $B(t)$.
   • 2D Geval (Oppervlakken): Voor een punt $x$ in een driehoek $ijk$ wordt het oppervlakpunt berekend als een gewogen som van de drie vertex-functies:
     $$c_{ijk}(x) = p_i(\text{oc}_{ijk}^i(x))B_{2D}(x,i) + p_j(\text{oc}_{ijk}^j(x))B_{2D}(x,j) + p_k(\text{oc}_{ijk}^k(x))B_{2D}(x,k)$$
   • De 2D blendingfunctie $B_{2D}$ is afgeleid van een 1D gladde transitiefunctie gebaseerd op een exponentiële kernel. De auteurs hebben deze functie specifiek ontworpen om aan $C^\infty$ continuiteitscondities te voldoen (verdwijnende afgeleiden bij de grenzen) en aan de partition-of-unity eigenschappen.

3. Optimalisatie:

   • De voorstelling vereist geen globale parametrisatie van de doelvorm. In plaats daarvan worden de coëfficiënten van de lokale polynomen $m_i$ direct geoptimaliseerd om een impliciet doel (bijv. Signed Distance Fields, Neural SDFs, of Unsigned Distance Functions) aan te passen.
   • De doelstelling minimaliseert de afstand tussen het BCS-oppervlak en de zero-level set van het impliciete veld (bijv. het minimaliseren van de gemiddelde absolute SDF-waarde over het oppervlak).
   • Regularisatietermen (bijv. normaal-uitlijning met de impliciete gradiënt) kunnen worden toegevoegd om vouwen te voorkomen en stabiliteit te garanderen.

Belangrijkste Bijdragen

1. Compacte, Netwerkvrije Voorstelling: BCS biedt een volledig expliciete oppervlaktevoorstelling gedefinieerd door een verzameling overlappende lokale polynomiale patches. Het vereist slechts $O(d_{poly}^2 |V|)$ parameters (waarbij $|V|$ het aantal proxy-vertices is en $d_{poly}$ de polynomiale graad), waardoor het de hoge parametercount van dichte MLPs vermijdt.
2. Gegarandeerde Wereldwijde Gladheid ($C^\infty$): Door constructie zorgt het blending-schema voor een $C^\infty$-glad oppervlak over de patchgrenzen heen, zelfs als de onderliggende proxy-mesh scherpe randen of hoeken bevat. Dit wordt bereikt door het specifieke ontwerp van de blendingfuncties en het gebruik van one-ring coördinaten.
3. Topologie-agnostisch: De methode ondersteunt willekeurige topologieën (inclusclusief niet-oriënteerbare oppervlakken zoals de Möbiusband en oppervlakken met grenzen) omdat deze is verankerd aan een door de gebruiker verstrekte proxy-mesh in plaats van een canoniek domein (zoals een sfeer of schijf).
4. Differentieerbaarheid en Toegang tot Differentiële Grootheden: De voorstelling is volledig differentieerbaar, wat stabiele evaluatie van posities, normalen en oppervlakte-energieën (bijv. elastische energie) mogelijk maakt via automatische differentiatie. Dit faciliteert end-to-end optimalisatie en potentieel gebruik in fysieke simulatie.
5. Equivariantie: De constructie is equivariant naar rigide bewegingen en schaling van de proxy-mesh, wat zorgt voor consistent gedrag onder geometrische transformaties.

Resultaten en Evaluatie

De auteurs evalueren BCS op oppervlakken met variërende topologieën (genus 0 tot 4) en geometrische complexiteiten, waarbij ze deze aanpassen aan zowel analytische impliciete velden als geleerde neurale impliciete velden.

• Kwalitatieve Prestaties: BCS bereikt hoogwaardige reconstructies die glad zijn over de patchgrenzen heen. Foutkaarten geven een lage afwijking aan van de doel-impliciete velden. De methode gaat effectief om met complexe topologieën (bijv. het "Fertility"-model met genus 4) en niet-oriënteerbare oppervlakken (Möbiusband).
• Vergelijking met Baselines:
  • Interpolerende Splines: Vergeleken met het werk van Djuren et al. [DFK*25], bereikt BCS een betere oppervlakte-fitting kwaliteit omdat het de vertex-functies gezamenlijk optimaliseert tegen de doelvorm, terwijl interpolerende splines deze onafhankelijk optimaliseren om de proxy-vertices te fitten.
  • Blendingfuncties: De voorgestelde "smooth transition" blendingfunctie presteert beter dan barycentrische (die slechts $C^0$ continuïteit oplevert), exponentiële (die niet tot nul convergeert bij de grenzen, wat gaten veroorzaakt) en trigonometrische (die $C^1$ continuïteit oplevert) functies in termen van continuiteitsgaranties en krommingstabiliteit.
  • MLP Displacement: In tegen tegenstelling tot mesh-displacement MLPs (bijv. NGFM), die de tangentiële discontinuïteiten van de proxy-mesh behouden, produceert BCS wereldwijd gladde oppervlakken.
• Differentiële Grootheden: Het artikel demonstreert de stabiele berekening van normalen en gemiddelde kromming. Het toont ook het vermogen om elastische energie te optimaliseren, wat het potentieel voor differentiële fysieke simulatie van dunne vellen benadrukt.
• Compressie: BCS biedt een gunstige afruil tussen compactheid en expressiviteit. Voor een proxy met ~250 vertices en kwadratische patches gebruikt het ~4.500 scalaire coëfficiënten, wat vergelijkbaar is met of minder dan de kleine MLPs die in soortgelijke taken worden gebruikt.

Betekenis en Claims

Het artikel claimt dat Blended Chart Surfaces succesvol de kloof overbrugt tussen de flexibiliteit van impliciete voorstellingen en de bruikbaarheid van expliciete voorstellingen. Door een compacte, expliciete en $C^\infty$-gladde voorstelling te bieden die direct tegen impliciete doelen kan worden geoptimaliseerd zonder globale parametrisatie, adresseert BCS een kritiek tekort in huidige geometrische verwerkingspipelines.

De auteurs benadrukken dat de methode met name significant is voor:

• Differentiële Optimalisatie: Het mogelijk maken van stabiele gradiënt-gebaseerde fitting en optimalisatie van oppervlaktegeometrie.
• Differentiële Meetkunde: Het bieden van betrouwbare toegang tot hogere-orde differentiële grootheden (normalen, kromming, energie), die vaak onstabiel of ongedefinieerd zijn in stuksgewijs lineaire of laag-orde continue voorstellingen.
• Fysieke Simulatie: Het bieden van een natuurlijk kader voor het simuleren van dunne vellen en elastische materialen vanwege de inherente 2D-aard en gladheid van de voorstelling.

Het werk concludeert dat hoewel de methode gevoelig is voor de kwaliteit van de proxy-mesh en specifieke kenmerken kan afvlakken zonder specifieke regularisatie, het een robuuste basis biedt voor toekomstig werk op het gebied van feature-aware extensies, geanimeerde oppervlakken en generatieve modellering geconditioneerd op grove proxies.