Curve Skeletonization in Continuous domain for Meshes and Point Clouds
本文介绍了 CSCD，一种新颖的连续域曲线骨架化框架，它将基于局部分隔符的离散骨架化方法推广至流形，为网格（CSCD-M）和点云（CSCD-PC）提供了鲁棒的内在方法，其在精度和拓扑保持方面均优于现有的最先进算法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象你有一个复杂的 3D 物体，比如一尊细节丰富的龙雕像、一根扭曲的树枝，或是一把带有精细凹槽的铜钥匙。如果你想在不看到外部表面的情况下理解它的“脊柱”或其内部布线，你就需要一个曲线骨架。可以将此想象为物体的神经系统或中央铁路轨道：一条穿过物体中部的细薄一维线，捕捉其形状、扭曲和转折。
长期以来，为 3D 物体（无论是由三角形组成的数字网格，还是由散点组成的点云）创建这些骨架一直颇具挑战。现有方法往往像钝器：它们要么遗漏精细细节（如龙尾的尖端），要么被噪声（如表面的划痕）所迷惑。
本文介绍了一个名为CSCD（连续域曲线骨架化）的新框架。以下是通过简单类比对其工作原理的解释：
旧方法的问题
大多数先前的方法运作方式如同像素化电子游戏。它们将物体视为由不相连的点或块组成的网格（一种“离散”图）。
- 问题所在：如果你试图在像素化网格上绘制一条平滑曲线，它看起来会呈锯齿状。同样，这些旧方法通常会产生“嘈杂”的骨架，由于它们只盯着单个点而非整个平滑表面，导致骨架摇摆不定或偏离物体的真实中心。
CSCD 解决方案：“连续”方法
作者提出将物体视为平滑、连续的织物（流形），而非点的网格。
- 类比：想象物体是一块织物。与其计算单独的线（点），不如观察织物的流动。这使得算法能够自然地“感知”曲线和曲率，从而生成更平滑、更准确的骨架。
工作原理：“波与环”游戏
该过程分为两个主要阶段，作者称之为阶段 1和阶段 2。
阶段 1：绘制“局部分隔器”
想象你站在物体表面（例如龙的背部）。
- 波：你喊出一声，声波（“测地波”）在龙表面向外传播。
- 分裂：当这列波遇到突起（如翅膀或角）时，它会分裂并绕过它。
- 交汇点：波的两部分最终在突起的另一侧相遇。这个交汇点被称为割迹（Cut Locus）。它就像突起在另一侧的“影子”。
- 环：算法绘制一个环，连接你的起点，绕过突起，然后返回。这个环是一个局部分隔器。它有效地在局部将物体“切开”，隔离出该特定特征。
作者显著改进了这一步骤。他们创造了一种寻找这些“交汇点”（割迹）的新方法，即使 3D 模型杂乱无章或绘制粗糙，该方法依然稳健。此外，他们还添加了一个“安全气泡”（约束），以确保环不会偏离太远而失去其形状。
阶段 2：构建骨架
一旦他们在物体的不同部分绘制了许多这样的环：
- 打包：他们选择重叠最少的最佳环，有点像在地面上铺瓷砖而不留缝隙。
- 划分：这些环将物体划分为不同的区域（像派切片）。
- 居中：对于每个区域，他们找到精确的中心点（质心）。
- 连接：他们将这些中心点与其邻居连接起来。
- 清理：最后，他们整理连接（移除杂乱的三角形），留下一条穿过物体的干净单线。
针对两种数据类型的两个版本
本文提出了该框架的两个具体版本：
- CSCD-M（针对网格）：适用于由三角形组成的 3D 模型（如标准 3D 打印）。它利用三角形的内部几何结构以实现极高的精度。作者声称，这是第一种“内在”（利用物体自身几何结构）执行此操作的方法，并且比之前的顶级方法更快、更稳健。
- CSCD-PC（针对点云）：适用于来自 3D 扫描仪的原始数据，即没有连接线的散点云。他们调整了数学方法以处理这些散点，生成的骨架比其他点云方法能更好地捕捉细节。
为何重要（根据论文）
作者在许多著名的 3D 形状（如斯坦福龙、铜钥匙和枯树）上测试了他们的方法。
- 更佳的细节：他们发现该方法能捕捉到其他方法遗漏或平滑掉的微小细节（如钥匙上的孔或手指）。
- 稳健性：即使在“丑陋”的 3D 模型（具有糟糕的三角形或噪声）上，它也能很好地工作。
- 速度：平均而言，他们的网格方法（CSCD-M）比之前的领先方法（LS）快约60%。
- 下游应用：他们表明，拥有更好的骨架有助于其他任务，如物体分类（自动区分椅子和桌子）和分割（将复杂物体拆分为其组成部分，例如将腿与躯干分离）。
简而言之，CSCD 是一种通过物体作为平滑连续表面而非锯齿状网格来寻找 3D 物体“脊柱”的新方法，从而产生更干净、更准确且更快的结果。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。