💻 computer science

Blended Chart Surfaces: A Seamless Explicit Representation for Smooth Surface Fitting

本文介绍了混合图面（Blended Chart Surfaces），这是一种紧凑、无需网络且显式的表示方法，它通过在粗糙代理网格上优化局部多项式映射并利用平滑混合方案进行融合，实现了全局光滑的曲面拟合，从而为现有的往往难以处理拓扑约束或接缝伪影的神经表示提供了一种无缝的替代方案。

原作者： Romy Williamson, Niloy Mitra

发布于 2026-06-17

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Romy Williamson, Niloy Mitra

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

想象一下，你正试图用一个粗糙、块状的粘土模型雕刻出一个光滑、完美的雕塑。这个块状模型（即“代理网格”，proxy mesh）确定了大致的形状和大的起伏，但它充满了尖锐的棱角和锯齿状的边缘。如果你只是用刀将其磨平，你会丢失细节；如果你尝试给它覆盖一层新的、无缝的皮肤，通常会在各部分衔接不齐的地方出现明显的接缝或褶皱。

这篇论文介绍了一种构建这种完美皮肤的新方法，称为混合图表曲面（Blended Chart Surfaces, BCS）。以下是它的工作原理，使用了简单的类比：

1. 粗略蓝图（代理模型）

将起点想象为一个低分辨率的线框或块状的粘土雕塑。它告诉你物体的位置以及它的大致形状（比如球体、扭曲的圆环或复杂的角色），但它并不光滑。在块与块交界的地方，它有着锐利的边缘。

2. 局部艺术家（多项式映射）

作者并没有试图用一个巨大的、复杂的公式来描述整个光滑曲面，而是为那个块状蓝图的每一个顶点都分配了一位微小的、局部的“艺术家”。

每位艺术家都被赋予了一小块具有弹性的材料（数学上的“多项式”）。
这些艺术家独立工作，去计算他们负责的那一小块曲面应该如何弯曲，以匹配他们试图复制的最终光滑形状。

3. 神奇胶水（混合）

最棘手的部分在于：如果你只是把这些局部的片状物粘贴在一起，你会得到一个带有明显接缝和凸起不平整处的曲面，因为艺术家的作品无法完美对齐。

作者发明了一种特殊的“神奇胶水”（混合函数）。
这种胶水不仅仅是将这些片状物粘在一起，它还能让它们平滑地融合成一个整体。
想象两张重叠的纸。在它们相遇的地方，不是有一个硬边，而是通过胶水使过渡变得如此渐进，以至于你无法分辨出一张纸在哪里结束，另一张纸从哪里开始。它创造了一个无缝的、无限光滑的曲线（在数学上称为 $C^\infty$ 光滑度）。

4. 为什么它很特别

论文声称这种方法解决了其他方法存在的三个大问题：

没有“像素化”： 不同于某些方法会将光滑形状变成块状的 3D 网格（放大看会显得锯齿状），这种方法无论你观察得多么细微，都能保持光滑。
没有“接缝”： 不同于其他方法通过拼接补丁并留下可见裂缝或锐利线条的方法，这种方法将它们混合得如此完美，以至于曲面在任何地方都是光滑的，即使是在原始块状蓝图的锐利边缘处也是如此。
易于测量： 因为曲面在数学上是光滑的，你可以轻松计算诸如“哪边是上方？”（法向量）或“这个弯曲中含有多少能量？”（表面能）等内容，而不会出现数值混乱或不稳定。这对于物理模拟或动画处理至关重要。

5. 实际应用中的运作方式

为了制作这个雕塑，计算机从块状蓝图和目标光滑形状（该形状可能隐藏在“点云”数据中）开始。然后，它不断调整这些“艺术家”（局部的多项式片），直到最终的混合曲面完美地契合在目标形状之内。

结果：
你得到了一个复杂 3D 物体的紧凑、轻量级的描述，它具有以下特性：

显式性（Explicit）： 你可以查看曲面上的任何一点，并准确知道它的位置。
光滑性（Smooth）： 它没有锯齿状边缘或接缝。
灵活性（Flexible）： 它可以通过改变块状蓝图来处理奇特的形状，例如莫比乌斯环（只有一个面的环）或带有孔洞的物体。

简而言之，**混合图表曲面（Blended Chart Surfaces）**是一种将粗糙、块状的草图转化为完美光滑、无缝且在数学上精确的曲面的方法，且无需大量数据，也不会留下任何难看的接缝。

技术摘要：混合图表曲面 (Blended Chart Surfaces)

问题陈述

现代几何处理需要既紧凑、显式，又能支持广泛拓扑结构和几何细节的曲面表示。至关重要的是，这些表示必须能够提供全局光滑性保证（例如 $C^k$ 或 $C^\infty$ ）以及对微分量（法向量、曲面能量）的可靠访问，同时保持与可微优化流水线的兼容性。

现有方法面临显著的权衡：

隐式表示 (Implicit Representations)： 虽然对于复杂拓扑具有灵活性且易于优化，但它们是体积型的（ $\mathbb{R}^3 \to \mathbb{R}$ ）且不具备紧凑性。下游应用（如模拟、制造）所需的显式曲面通常需要通过等值面提取（如 Marching Cubes）来获取，这会产生分片线性近似，从而引入非光滑伪影并降低微分估计的稳定性。
显式表示 (Explicit Representations)： 经典的样条曲线 (Splines) 和细分曲面 (Subdivision Surfaces) 等方法提供了连续性保证，但往往不适用于基于学习的形状拟合。神经显式替代方案（例如基于补丁的模型）通常受到接缝伪影、补丁边界处的导数不连续性，或对全局参数化（例如要求圆盘或球面拓扑）的严格限制。

核心挑战在于构建一种既紧凑、具有表现力且在构造上是光滑的显式曲面表示，该表示无需预计算的全局参数化，同时能够针对隐式目标进行可微优化。

方法论：混合图表曲面 (BCS)

作者提出了混合图表曲面 (Blended Chart Surfaces, BCS)，这是一种无需网络的显式表示，它通过用户提供的粗糙代理网格（一个单纯复形）构建全局光滑曲面。该方法将曲面拓扑（由代理网格承载）与几何细节（由光滑局部补丁承载）解耦。

核心组件

局部多项式映射 (Local Polynomial Maps)：
- 每个粗糙代理网格顶点 $v_i$ 被分配一个局部多项式映射 $p_i$ 。
- 这些映射基于一环坐标 (one-ring coordinates) 定义。对于顶点 $v_i$ ，其周围的三角形被仿射变换为单位等边三角形，并“压平”到二维域中。这创建了一个极坐标系统 $(r, \theta)$ ，其中角度根据顶点的价数 $\eta$ 进行缩放，从而将一环映射到单位圆盘。
- 局部映射 $p_i$ 构建为 $p_i(t) = s_i R_i m_i(t) + v_i$ ，其中 $m_i$ 是在一环坐标下的可学习多项式函数（例如二次函数），而 $s_i, R_i, v_i$ 是源自粗糙代理几何的缩放、旋转和平移参数。这种构造确保了对代理网格刚性运动和缩放的等变性。
单位分解混合 (Partition-of-Unity Blending)：
- 为了确保全局光滑性，局部映射使用光滑的单位分解权重方案进行混合。
- 一维情况（曲线）： 相邻顶点函数在重叠区间 $[-1, 1]$ 上通过转换映射和混合函数 $B(t)$ 进行混合。
- 二维情况（曲面）： 对于三角形 $ijk $中的点$ x$，曲面点通过三个顶点函数的加权和计算得出：
  $c_{ijk}(x) = p_i(\text{oc}_{ijk}^i(x))B_{2D}(x,i) + p_j(\text{oc}_{ijk}^j(x))B_{2D}(x,j) + p_k(\text{oc}_{ijk}^k(x))B_{2D}(x,k)$
- 二维混合函数 $B_{2D}$ 是基于指数核的 1D 平滑转换函数推导而来的。作者专门设计了该函数，以满足 $C^\infty$ 连续性条件（边界处导数为零）和单位分解属性。
优化 (Optimization)：
- 该表示不需要目标形状的全局参数化。相反，局部多项式 $m_i$ 的系数直接针对隐式目标（例如符号距离场 SDF、神经 SDF 或无符号距离函数）进行优化。
- 目标函数最小化 BCS 曲面与隐式场零水平集之间的距离（例如，最小化曲面上平均绝对 SDF 值）。
- 可以添加正则化项（例如法向量与隐式梯度的对齐）以防止折叠并确保稳定性。

核心贡献

紧凑、显式的无网络表示： BCS 提供了一种完全显式的曲面表示，由一组重叠的局部多项式补丁定义。它仅需 $O(d_{poly}^2 |V|)$ 个参数（其中 $|V|$ 是代理顶点的数量， $d_{poly}$ 是多项式阶数），避免了密集 MLP 的高参数量。
保证全局光滑性 ( $C^\infty$ )： 通过构造，混合方案确保生成的曲面在补丁边界处是 $C^\infty$ 光滑的，即使底层的代理网格包含锐边或尖角。这是通过设计特定的混合函数和使用一环坐标实现的。
拓扑无关性： 该方法支持任意拓扑（包括非定向曲面如莫比乌斯带和带边界的曲面），因为它锚定于用户提供的代理网格，而非规范域（如球面或圆盘）。
可微性及微分量访问： 该表示是完全可微的，能够通过自动微分稳定地评估位置、法向量和曲面能量。这促进了端到端优化以及在物理模拟中的潜在应用。
等变性： 该构造对代理网格的刚性运动和缩放具有等变性，确保了在几何变换下的行为一致性。

结果与评估

作者在具有不同拓扑结构（亏格从 0 到 4）和几何复杂度的曲面上评估了 BCS，使其拟合解析隐式场和学习到的神经隐式场。

定性性能： BCS 实现了在补丁边界处光滑的高保真重建。误差图显示其与目标隐式场的偏差较低。该方法能有效处理复杂拓扑（例如亏格为 4 的“Fertility”模型）和非定向曲面（莫比乌斯带）。
基准对比：
- 插值样条 (Interpolating Splines)： 与 Djuren 等人 [DFK*25] 的工作相比，BCS 实现了更好的曲面拟合质量，因为 BCS 是针对目标形状联合优化顶点函数，而插值样条是独立优化它们以拟合代理顶点。
- 混合函数： 提出的“平滑转换”混合函数在连续性保证和曲率稳定性方面优于重心混合（仅产生 $C^0$ 连续）、指数混合（无法在边界处达到零，导致空洞）和三角函数混合（仅产生 $C^1$ 连续）。
- MLP 位移 (MLP Displacement)： 与网格位移 MLP（如 NGFM）不同，BCS 不会保留来自代理网格的切向不连续性，而是生成全局光滑的曲面。
微分量： 论文展示了法向量和平均曲率的稳定计算。它还展示了优化弹性能量的能力，突显了对薄片进行可微物理模拟的潜力。
压缩： BCS 在紧凑性和表现力之间提供了理想的权衡。对于具有约 250 个顶点的代理网格和二次补丁，它使用约 4,500 个标量系数，与用于类似任务的小型 MLP 相当甚至更少。

重要性与主张

本文声称，混合图表曲面成功弥合了隐式表示的灵活性与显式表示的实用性之间的鸿沟。通过提供一种紧凑、显式且 $C^\infty$ 光滑的表示，并且可以直接针对隐式目标进行优化而无需全局参数化，BCS 解决了当前几何处理流水线中的一个关键局限。

作者强调，该方法对于以下领域具有重要意义：

可微优化： 实现基于梯度的曲面几何稳定拟合与优化。
微分几何： 提供对高阶微分量（法向量、曲率、能量）的可靠访问，这些量在分片线性或低阶连续表示中往往不稳定或未定义。
物理模拟： 由于其固有的二维特性和光滑性，为模拟薄片和弹性材料提供了一个自然的框架。

研究结论指出，虽然该方法对代理网格的质量较为敏感，并且可能会在没有特定正则化的情况下抹平锐利特征，但它为未来的特征感知扩展、动画曲面以及基于粗糙代理的生成模型提供了坚实的基础。