论文学习笔记（1）：Efficient L0 resampling of point sets

论文学习笔记（1）：Efficient L0 resampling of point sets

---

本文出自2019年“Computer Aided Geometric Design”。

---

---

前言

论文地址：https://www.sciencedirect.com/science/article/pii/S0167839619300998?via%3Dihub
阅读顺序建议：LOP — WLOP — EAR…本文
LOP:https://dl.acm.org/doi/10.1145/1276377.1276405
WLOP:https://dl.acm.org/doi/10.1145/1618452.1618522
EAR:https://dl.acm.org/doi/10.1145/2421636.2421645

---

一、本文贡献

1. 首先，我们提出了一个基于l0最小化的点集重采样框架。
2. 其次，我们提出了两种算法来进一步提高l0点集重采样的速度。
3. 第三，我们实现了最先进的点集合并方法。

二、L0 点集重采样

输入为无序点云，且可能分布不均匀，没有法线信息，包含噪声点和离群点。
输出为有向点云，分布均匀，拥有可靠的法线。

1.法线过滤

这里作者主要是在PCA的基础上做了双边滤波：

对于点云双边滤波可以参考这个博客：点云双边滤波

2.L0采样

目标函数为：

可以大致理解为：希望采样后的点集，距离k近邻中平均距离最短，且法线差异性最低。这里用到了L0范数，对于L0范数的理解可以是：集合中非0元素个数。

加入正则化项：（这里我的理解为：第一项使采样点与原始点云近（吸引力），第二项使采样点间有一定距离（排斥力），第三项法线尽可能相似（本人理解为WLOP+再加一项法线相似度））

换成WLOP了。

3.迭代最小化求解器

可以看到求解L0范数问题十分困难，因为L0范数非凸。作者借鉴了"Xu, L., Lu, C., Xu, Y., Jia, J., 2011. Image smoothing via L0 gradient minimization. ACM Trans. Graph. 30 (6), 174"所提出的L0范数求解器的方法。接下来就是数学问题：p固定，求解另一项。

另一项固定求解p

最后变成了：

算法总结如下：

4.加速方法

4.1. Optimization-based local half-sampling

基于优化的半采样

思路是用更小的近邻数量，减少时间。

算法为：


4.2交叉正则化

观察到(5)式计算的一个点的局部密度在每两次迭代之间的变化相对缓慢，从结果点中随机选取三个点，并在不同的迭代中计算它们的局部密度。局部密度随迭代的变化如图5所示，从中我们可以看出，交错正则化是完全正则化的一个很好的近似。

总结：并不是在每一次循环都要遍历目标函数中的正则化项。减少计算量。

5.结果和比较

总结：算的时间少了，考虑的因素多了，效果还提升了。

6.局限性

很薄的表面（大家都做不出最好，但我的更好）：

---

总结

本文基于WLOP的基础上考虑了法线相似性，且提出了两种加速手段，是目标函数快速收敛，在保障了时间效率的同时，得到比较好的效果。