每周总结（九）

2021年第4周学习小结：

相关术语

Visual Hull

​对一幅图像进行分割，整张图像被划分为前景对象（上图中用红色/绿色表示）与背景对象（灰色表示），最终得到的图像称为轮廓图像，在上图中可以观察到目标物体在每个视图中拥有不同的轮廓图像。

​其中前景Mask，又称轮廓，是对应3D前景对象的二维投影。将每个视图中的轮廓上的点与其对应的摄像机连起来，就形成了一个包含3D对象的广义圆锥，称为轮廓锥。如上图中两个不同视图产生的轮廓锥，他们的交集就是Visual Hull（可视外壳），如下图。

值得注意的是：考虑到视图中的遮挡问题，Visual Hull并不是三维空间中物体的表面。Visual Hull中包含的空间实际上比真实的物体要更加大，就好像你用一块布盖住某个物体。

Photo-Consistency

Photo-Consistency（照片一致性）用于图像配准/多视图重建，当对象上的某一点、体素…与所有视图中对应的轮廓相似时，认为该对象具有照片一致性。

level set

level set（水平集）常用于图像分割，他的具体处理过程见这一篇文章：

http://profs.etsmtl.ca/hlombaert/levelset/#fig:levelset-square

而对于三维重建任务：许多表面重建的方法本质上都是做了一个分割，即把空间分为内与外两个部分，内部即为三维实体，外部就是背景，那么要重建的表面就处于内外两个空间的分界线上。许多方法也就是将空间划分为一个个小的单元（比如体素，Mesh等表示形式），再通过判断每个小单元的分类标签（内部或者外部）来实现重建。

Graph Cuts

Graph Cuts（图分割）也是图像分割中一种常见的方法，相比一般的无向图多了两个节点，分别代表分割中前景、背景这两个类别，而其余节点对应图像中的每个像素。这样一来图像分割问题就转换为了min cut问题。

参考：https://blog.csdn.net/zouxy09/article/details/8532111

正如上面所说的，我们可以利用分割的思路来实现三维重建，因此同样可以使用Graph Cuts，将体素、网格这种基本单元作为图的节点，通过计算min cut来优化重建损失。

Delaunary 三角剖分

​如上图，d维空间中的n个离散点P1~Pn（红色）之间相互连接构成了Delaunary三角网格（黑色），画出每个Delaunary三角形中两点之间连线的中垂线（灰色）。所有中垂线相连接，将空间划分为一个个区域，称为Voronoi 图。每个Voronoi单元到内部中心点Pi的距离比空间中其他点的距离都要近：

​图中每一个线段的中垂线都将平面空间划分为了两部分，而Voronoi单元V（pi）是由Pi及周围点组成线段的所有中垂线划分空间的交集，可以看出V（pi）是凸集（与二叉空间划分BSP类似），并且对于处于最外层的点，生成的Voronoi单元可能不是封闭的。

​n点点集的三角剖分在二维中表示为三角形（复杂度$n$