Instant-Meshes-标架场方法

  在顶点$V_i$定义n-Rosy标架场，定义
R s o ( o , n , k ) : = r o t ( n , k 2 π s o ) , k ∈ Z R s o ( o , n ) : = { R s o ( o , n , 0 ) , R s o ( o , n , 1 ) , … , R s o ( o , n , s o − 1 ) } \begin{aligned}&\mathcal{R_{s_o}}(\mathbf{o},\mathbf{n},k):=rot(\mathbf{n},k\frac{2\pi}{s_o}),k \in \mathbb{Z} \\&\mathcal{R_{s_o}}(\mathbf{o},\mathbf{n}):=\{\mathcal{R_{s_o}}(\mathbf{o},\mathbf{n},0),\mathcal{R_{s_o}}(\mathbf{o},\mathbf{n},1),\dots,\mathcal{R_{s_o}}(\mathbf{o},\mathbf{n},s_o-1)\}\end{aligned} ​Rso​​(o,n,k):=rot(n,kso​2π​),k∈ZRso​​(o,n):={Rso​​(o,n,0),Rso​​(o,n,1),…,Rso​​(o,n,so​−1)}​
第一个式子是将$\vec{o}$绕法向量$\vec{n}$旋转$k\frac{2\pi }{s_o}$角度，第二个式子即是在顶点处用$\vec{o}$对称旋转$n$次构成一个n-Rosy标架场

1.Intrinsic smoothness

  该方法为将顶点$V_i$的相邻顶点$V_j$旋转到$V_i$的切平面上，然后寻找$\overrightarrow{o_i}$与$\overrightarrow{o_j}$的最小旋转角度，并用高斯赛德尔方法进行迭代求解。

  定义能量函数：
$$E(O,\mathbf{k}):=\sum _{i\in \mathcal{V}}\sum _{j\in \mathcal{N}(i)}\angle {\left({\mathbf{o}}_i,{\mathcal{R}}_{s_o}\left({\mathbf{o}}_{ji},{\mathbf{n}}_i,k_{ij}\right)\right)}^2$$
其中$${\mathbf{o}}_{ji}:=\mathrm{rot}\left({\mathbf{n}}_j\times {\mathbf{n}}_i,\angle \left({\mathbf{n}}_j,{\mathbf{n}}_i\right)\right){\mathbf{o}}_j$$,即$o_j$旋转到$V_i$切平面上后的向量。$k_{ij}$为旋转次数，要求解该能量函数，可通过以下方法
$$\begin{array}{rl}& k_{ij}:=\underset{0\le k<s_o}{\mathrm{argmin}}\angle \left({\mathbf{o}}_i,{\mathcal{R}}_{s_o}\left({\mathbf{o}}_{ji},{\mathbf{n}}_i,k\right)\right)\\ & {\mathbf{o}}_i\leftarrow \sum _{j\in \mathcal{N}(i)}{w}_{ij}{\mathcal{R}}_{s_o}\left({\mathbf{o}}_{ji},{\mathbf{n}}_i,k_{ij}\right),{\mathbf{o}}_i\leftarrow {\mathbf{o}}_i/\Vert {\mathbf{o}}_i\Vert \end{array}$$
即先寻找最佳旋转次数，然后通过拉普拉斯权重归一化，由于搜寻空间是很小的($s_o$，如果是n-Rosy,也就是n,而n通常是很小的一个常数)，可用暴力方法，若顶点$V_i$周围有$m$个点，那迭代一次的搜索空间大小也只有$mn$

然后通过高斯赛德尔迭代：
$$\begin{array}{ll}{\mathbf{o}}_i^{\prime }\leftarrow w_{i{j}_1}{\mathcal{R}}_{s_o}\left({\mathbf{o}}_{j_{1}i},{\mathbf{n}}_i,k_{i{j}_1}\right),& {\mathbf{o}}_i\leftarrow {\mathbf{o}}_i^{\prime }/\Vert {\mathbf{o}}_i^{\prime }\Vert \\ {\mathbf{o}}_i^{\prime }\leftarrow {\mathbf{o}}_i^{\prime }+w_{i{j}_2}{\mathcal{R}}_{s_o}\left({\mathbf{o}}_{j_{2}i},{\mathbf{n}}_i,k_{i{j}_2}\right),& {\mathbf{o}}_i\leftarrow {\mathbf{o}}_i^{\prime }/\Vert {\mathbf{o}}_i^{\prime }\Vert \end{array}$$

2.Extrinsic smoothness

  该方法区别于上面的方法为直接在三维空间里求解能量函数，即不再旋转到切平面，则能量函数改为：
$$E_{\mathrm{e}}(O,k):=\sum _{i\in \mathcal{V}}\sum _{j\in \mathcal{N}(i)}\angle {\left({\mathcal{R}}_{s_o}\left({\mathbf{o}}_i,{\mathbf{n}}_i,k_{ij}\right),{\mathcal{R}}_{s_o}\left({\mathbf{o}}_j,{\mathbf{n}}_j,k_{ji}\right)\right)}^2$$
则$k_{ij}$的最优解为
$$\left(k_{ij},k_{ji}\right):=\underset{0\le k,l<s_o}{\mathrm{argmin}}\angle {\left({\mathcal{R}}_{s_o}\left({\mathbf{o}}_i,{\mathbf{n}}_i,k\right),{\mathcal{R}}_{s_o}\left({\mathbf{o}}_j,{\mathbf{n}}_j,l\right)\right)}^2$$
可以看到搜索空间变为$n^2$,其实它还是很小的，也是可以暴力求的。下一步则依然还是高斯赛德尔迭代。

3.说明

1. 上述算法有解的条件是收敛，而事实就是它就是收敛的。
2. 上述算法因为它是基于局部的，所以可以支持并行。
3. 初始标架场被设置为随机的切向量，锐利特征则通过二面角阈值来判断，锐利边上顶点的法向量为任一面的法向量，而其余的可用角度权重等来定义。
4. Gauss–Seidel method可能陷入局部最小解，可通过随机法避免，而该文提出了另一种**多分辨率层次法（Multiresolution hierarchy）**来避免这种情况,如下。