Instant Field-Aligned Meshes-Method

整体概述

• 我们的算法结合了局部和全局网格划分方法的思想：我们使用局部定位和位置场平滑算子计算与方向场全局对齐的网格。 然后从场中提取网格并且可选地进行后处理。
• 方向是唯一的，对称组取决于生成的网格的类型。
• 与现有的N-RoSy场设计方法不同，插入一组（稀疏）约束，我们的方法是完全自动且无参数的：通过外部测量平滑度，我们获得与表面特征的自然对齐。
• 这与现有的场对齐方法不同，这些方法使用阈值硬约束或基于插值参数t的全局平滑约束来对准曲率方向。
• 如果我们的外在度量被经典使用的内在度量替换，我们的算法成为最小化N-RoSy平滑能量的替代方法。
• 本文在整数平移的商空间下优化该场的平滑度。
• 此局部参数化中的整数坐标值对应于最终网格的顶点，并且其梯度与先前计算的方向场精确对齐
• 现场的不连续性质避免了需要昂贵的全局优化来分配全局一致（u，v）坐标
• 本文更倾向于使用外部的方法来平滑参数化，导致所得到的网格边缘自然地突变为尖锐的特征。
• 第一步：计算一个N-RoSy场，即输出表面上的一组方向，输出网格的边缘应该对齐
• 第二步：计算一个局部的，每顶点（u，v） - 参数化，它在边缘上是不连续的。
• 以上两步它们都最小化了定义到局部对称的平滑能量：在定向场的情况下的整数旋转和在位置场的整数平移。
• 这两个步骤都很容易陷入糟糕的局部最小值，我们通过使用随机化或多分辨率层次结构来避免这种情况。
• 通过分析边缘上定义的整数变量，可以检测表面上称为奇点的特殊点。

输入和图形表示

• 
• 我们的迭代算法使用类似于Gauss-Seidel方法的局部迭代来最小化在G的顶点上定义的能量。 这个想法可以通过回忆显式拉普拉斯平滑来说明，它通过形式的局部迭代迭代地平滑顶点坐标：
• 
• 本文的方法挑战在于：两个场都受到某些对称条件的影响，这些条件需要在方程式中加以考虑。

定向场优化

• 计算了一个so-RoSy 场， 我们称之为定向场。因为它将指导最终网格中边缘的对齐。
•  一个so-RoSy 满足度数的旋转对称条件为So，这意味着每个顶点i∈V与单位长度，均匀空间的切线向量相关联。
• 
• 
• 
• 建议将N-RoSy场的平滑度测量为在将它们展开到公共平面之后相邻矢量之间的角度差。 使用整数变量kij明确地编码由旋转对称性引起的模糊度。
• 
• 本文最小化相同能量的方法较为简单，本文采用 Gauss-Seidel迭代：
• 
• 本文用归一化的权重之和代替除法。 最重要的变化是：只要迭代访问顶点i，我们就会在本地搜索最佳整数变量kij。具体的公式如下所示：
• 
• 这种纯粹内部平滑的缺点是它不知道表面的嵌入。为了弥补这一缺陷，需要找到曲率高的区域，然后迫使场与这些区域中的主曲率方向对齐。 需要手动调整曲率阈值以确定哪些区域受约束且哪些区域保持空闲。硬阈值由控制软约束的权重的另一参数代替。
• 曲率对齐通常是理想的，因为它倾向于降低近似误差，但重要的是要意识到反向含义通常不正确：良好的近似并不意味着参数化必须与对应的参数对齐。
• 我们的外在能量通过计算距离直接优化几何近似误差，并且我们发现它们的形状特性与对齐有关。
• 

位置场的优化

• 全局参数化算法计算单个一致参数化，其梯度与方向平面正方形相匹配;此程序需要切割表面，使其成为拓扑圆盘，其所有场奇点位于其边界上。这种方法为半规则网格划分提供了理想的框架：三角形或四边形的规则网格可以放置在（u，v）空间中并使用此参数化提升到网格上。
• 参数化的无缝属性可确保切割不可见。通过使用周期函数表示u和v坐标可以避免切割。
• 为了实现各向同性网格划分，这种方法的主要优点是能够引入额外的奇异点，从而保持区域失真较低。
• 
• 
• 
• 通过定义，这种能量是内在的，因此不知道几何嵌入。 因此，生成的参数化的整数等值线不太可能捕捉到形状的特征。我们修改我们的能量使其成为外在的，获得整数线自然捕捉到几何特征：
• 
• 
• 本文的问题比SVP更具体，因为我们只对接近vi和vj及其相应切线平面的点感兴趣，这允许进行本地化的搜索。

随机GS

• 全局搜索迭代往往陷入局部最小值。
• 避免这种情况的一种非常简单的方法是使用每次迭代中顶点的不同随机排列来遍历图G。

多分辨率层次结构

• 本文使用简单的多分辨率层次结构来改善收敛性，并允许算法超出局部最小值。
• 从全分辨率输入图G开始，我们执行大约log2 | V | 通过折叠相邻顶点来创建层次结构的粗化步骤，直到整个图形缩减为每个连接组件的单个“超顶点”。
• 非结构化三角网格上的传统多网格方法使用网格抽取建立层次结构级别，本文使用的具体方法如下：
• 
• 在本文的结果中，我们每层运行六次GS迭代，从最粗略的图形开始，并在原始输入网格处完成。 初始定向和位置场使用均匀分布的随机切向矢量和位置与网格的边界框进行初始化。 完成每个级别后，我们只需将解决方案复制到下一个级别。 
• 
• 直观地，在嵌套层面上可能的解决方案的空间非常大，并且我们的能量函数E是非凸的并且包含许多局部最小值。 另一方面，仅具有几个顶点的粗略图具有低维解空间，其全局最小值更容易为局部迭代方法找到。
• 本文的算法基于这样的假设：两个相邻层级的全局最小值是紧密相关的，因此在一个级别上的收敛解是在一个级别的改进之后优化图形图形的良好起点。

奇异点

• 局部分解两个场的对称性所需的变换：定向场的整数旋转和位置场的整数平移
• 在一个方向场中，奇点的定义与分段线性网格上离散N-RoSy场的奇点的熟悉概念是等价的（直到在一般图上定义）。 N-RoSy奇点对应于最终网格中的不规则顶点，即具有多于或少于四个（在四边形网格中）或六个（内部网格）入射边缘的顶点。
• 在位置场中，奇点对应于一个周期内的残余整数平移，并且仅在不存在方向奇点的情况下才定义。 位置场奇点不能影响参数化的方向，参数化完全由方向场控制。 因此，它们直观地规定了循环内区域中参数等值线的插入或去除。
• 与方向奇点类似，位置奇点局部破坏了输出网格的规则性：在三角形网格中，它简单地对应于不规则顶点，而在四边形网格中，它可以等效地网格化为T形交叉点， 或多边形元素（三角形或五边形）。
• 位置奇点分裂或合并两个平行的边缘环，将会保持它们对齐。
• 与全局参数化方法相比，本文的算法使用这些奇点来强制实现元素的均匀性，而不是偏离定向的方向场，全局参数化方法通过牺牲各向同性和场对齐来避免这些奇点。
• 位置奇点的数量取决于输出网格的分辨率。
• 当输入图形G是三角形网格时，通过在每个三角形的边缘上添加kij或tij并检查结果是否是非零的倍数，从而判断奇异点。

编辑操作

• 本文的方法支持直观的编辑操作，通过传递给相应优化阶段的约束来影响方向和位置值。 另一种类型的编辑操作可能会对整数变量kij和tij进行修改以移动和折叠奇点。
• 当计算顶点i处的方向场值时，将oi更新为在原始计算结果和约束之间线性插值的值，然后投影到切线空间并进行归一化; 为此，我们再次搜索对称空间并插入最相似的方向。 插值权重确定约束的强度。
• 约束在多分辨率层次中向上传播，并且每当合并具有约束的两个顶点时进行插值。
• 处理带边界的网格时，本文的实现可以自动分配匹配的边刷限制，以便输出网格中的边界边沿跟随输入。
• 奇点吸引器实现了方向和位置奇点的交互运动。我们目前仅为三角形网格输入提供此操作，因为它需要将输入图分解为简单循环。 使用此操作时，将停用对称空间上的离散搜索，并将整数变量全局冻结到其上一个计算值。 优化仍在继续，但从那时起只对小数部分进行优化。 由于之后不能应用其他画笔笔划，因此该步骤应该在任何网格划分工作流程中最后一步。
• 我们可以通过在输入网格中的三角形边上添加相关的整数值来检测奇点的存在。然后由吸引子实现的操作将任一类型的奇点从三角形T1移动到相邻的三角形T2，通过适当的改变，以及与其共享边缘相关联的整数移位; 通过重复此操作完成更长的移动。

网格提取

• 输入图中的每个顶点i与三维代表性位置相关联
• 输入网格的每个边（i，j）∈E与整数值tij的sp / 2维向量相关联，其表示使顶点pi和pj尽可能靠近在一起需要多少整数平移。
• 
• 
• 我们通过以其代表性位置kpi-pjk之间的距离递增顺序访问边（i，j）∈C来避免这种行为，如果它们尚未通过G0中的边连接，则仅折叠G0中的关联顶点：已存在的边表示关于顶点是否应该合并的整数变量之间的冲突，我们保守地选择保留它们。
• 短边代表了高度的重叠，即G0中的两个顶点实际上对应于输出网格的相同顶点。
• 
• 检测实际面部，这可以使用简单的贪婪算法来实现，该算法沿着定向边缘行走并将其从图形中移除。请注意，在这种情况下，现有的全局方法也可能会引入折叠，导致严重的扭曲或孔洞。 如果需要流形输出，我们只需丢弃有问题的边或顶点，产生类似的伪像。