SHARC: Reference point driven Spherical Harmonic Representation for Complex Shapes

Resumo Técnico: SHARC

1. Problema Abordado

A representação de formas 3D complexas, especialmente aquelas com topologias arbitrárias (gênero agnóstico) e detalhes geométricos finos, permanece um desafio central na computação gráfica e modelagem generativa.

• Representações Explícitas: Malhas de triângulos e nuvens de pontos são amplamente utilizadas, mas sua complexidade escala com o nível de detalhe, tornando-as caras para transmissão, edição e otimização.
• Representações Implícitas (Neurais): Métodos baseados em redes neurais (como Neural Fields) oferecem alta fidelidade e compressão, mas sofrem com latência de inferência elevada, sobrecarga de parâmetros e falta de interpretabilidade direta dos dados codificados.
• Representações Esqueléticas e Séricas: Métodos baseados em eixos mediais (como Medial Axis Transform) ou funções esféricas globais muitas vezes falham em capturar detalhes de alta frequência ou exigem um número excessivo de primitivas e otimizações iterativas custosas para cobrir superfícies complexas.

O objetivo do SHARC é preencher essa lacuna, oferecendo uma representação compacta, de alta fidelidade e computacionalmente eficiente que preserve detalhes geométricos finos sem a complexidade das redes neurais profundas.

2. Metodologia

O SHARC (Spherical Harmonic Reference-point driven Representation for Complex Shapes) é um framework que sintetiza formas complexas utilizando uma coleção de representações de campos de distância baseadas em Harmônicos Esféricos (SH), ancoradas em pontos de referência otimamente posicionados no volume interno do objeto.

O processo divide-se em três etapas principais:

A. Geração e Seleção de Pontos de Referência

• Geração de Candidatos: Em vez de calcular um eixo medial complexo e instável, o método amostra aleatoriamente pontos dentro do volume do objeto (usando uma verificação de paridade por ray-casting para garantir que estejam no interior).
• Seleção Otimizada: Um algoritmo de seleção gulosa escolhe um subconjunto ótimo de pontos de referência ($C$) a partir dos candidatos. A função de pontuação ($H(c)$) combina três critérios:
  1. Centralidade ($E_{cen}$): Favorece pontos próximos ao eixo medial (raio medial inverso).
  2. Uniformidade ($E_{uni}$): Penaliza a concentração, garantindo que os pontos estejam bem distribuídos.
  3. Cobertura Visível ($E_{cov}$): O critério mais inovador. Avalia quantos pontos da superfície são visíveis a partir do ponto de referência (sem interseções com a superfície) e estão dentro de um limiar de proximidade ($\tau_{prox}$). Isso garante que o campo de distância aprendido seja confiável e capture detalhes locais.

B. Codificação de Campos de Distância com Harmônicos Esféricos

• Para cada ponto de referência selecionado, o método calcula a função de distância radial até a superfície em todas as direções.
• A superfície é amostrada usando a grade HEALPix (que evita distorções polares e permite amostragem uniforme).
• Os campos de distância são codificados em coeficientes de Harmônicos Esféricos ($a_{\ell}^m$) utilizando a Transformada Rápida de Harmônicos Esféricos (FSHT). Isso permite uma representação compacta e de banda larga.

C. Reconstrução da Superfície

• Decodificação: Os coeficientes SH são decodificados para gerar uma nuvem de pontos bruta.
• Suavização (Lanczos): Um filtro de suavização de Lanczos é aplicado aos coeficientes para mitigar artefatos de "ringing" (oscilações) causados por descontinuidades na superfície original.
• Seleção por Proximidade: Para resolver conflitos e ruídos onde múltiplos pontos de referência cobrem a mesma área, a reconstrução aplica uma regra de consistência local: um ponto na superfície é mantido apenas se o seu gerador (ponto de referência) estiver entre os $k$-vizinhos mais próximos daquele ponto. Isso prioriza a fonte mais próxima, garantindo bordas mais nítidas.
• Extração de Malha: Normais consistentes são calculadas (alinhadas com o vetor radial do ponto de referência) e uma malha estanque é gerada usando a reconstrução de Poisson filtrada (Screened Poisson).

3. Contribuições Principais

1. Velocidade de Execução: O SHARC é significativamente mais rápido nas etapas de codificação e reconstrução em comparação com métodos do estado da arte (SOTA), incluindo abordagens neurais e baseadas em eixos mediais.
2. Equilíbrio Complexidade vs. Precisão: O método alcança um equilíbrio superior entre o número de primitivas (pontos de referência + coeficientes SH) e a qualidade da reconstrução, superando métodos existentes em precisão geométrica com muito menos dados.
3. Reconstrução Baseada em Proximidade: Diferente de métodos que fundem "patches" locais, o SHARC resolve a competição entre pontos de referência cobrindo a mesma área priorizando o mais próximo. Isso resulta em uma reconstrução mais nítida e precisa, evitando borrões em detalhes finos.
4. Agnóstico ao Gênero: Ao contrário de métodos globais de SH que falham em topologias complexas, a abordagem baseada em múltiplos pontos de referência internos permite representar formas com qualquer topologia (gênero agnóstico) com alta fidelidade.

4. Resultados Experimentais

Os autores avaliaram o SHARC em quatro conjuntos de dados padrão: Princeton Shape Benchmark (PSB), Stanford 3D Scanning Repository, Thingi10k (formas complexas de alta topologia) e ShapeNet (modelos CAD).

• Precisão de Reconstrução: O SHARC obteve consistentemente a menor Distância de Chamfer (dCD) e erros de Hausdorff em todos os conjuntos de dados.
  • No conjunto Thingi10k, o SHARC reduziu o erro de Chamfer para 0.39% (vs. 0.52% do MASH e 2.23% do Raw MA) usando apenas 118 primitivas, enquanto o MASH usou 400 e o Raw MA usou mais de 53.000.
• Eficiência de Armazenamento: O método oferece uma compressão massiva. Por exemplo, uma estátua de 10 milhões de faces (181 MB) foi representada com apenas 1.49 MB (redução de 121x) mantendo alta fidelidade.
• Tempo de Execução: O SHARC é drasticamente mais rápido. Enquanto métodos como MASH podem levar minutos para otimizar, o SHARC processa modelos complexos em segundos (ex: ~8s para ajustar coeficientes em uma estátua de 10M de faces).
• Qualidade Visual: A análise qualitativa mostrou que o SHARC preserva detalhes de alta frequência (como escamas de dragões e traços faciais) que eram perdidos ou suavizados excessivamente pelos métodos concorrentes.

5. Significado e Impacto

O SHARC representa um avanço significativo na representação geométrica 3D ao demonstrar que é possível obter a compactação e a eficiência dos métodos baseados em eixos mediais, combinados com a alta fidelidade das representações implícitas, sem a sobrecarga computacional das redes neurais profundas.

• Aplicações Práticas: É ideal para transmissão de dados 3D (streaming), armazenamento eficiente de bibliotecas de modelos e como uma representação intermediária leve para tarefas de renderização neural ou geração.
• Futuro: O trabalho abre caminho para descritores de forma mais eficientes em tarefas de reconhecimento e sugere a expansão para incluir texturas e iluminação, criando representações unificadas sem dependência de coordenadas UV.

Em resumo, o SHARC oferece uma solução robusta, rápida e compacta para a representação de formas 3D complexas, superando o estado da arte atual em métricas críticas de precisão e eficiência.