论文学习笔记(1):Efficient L0 resampling of point sets
本文出自2019年“Computer Aided Geometric Design”。
文章目录
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
- 首先,我们提出了一个基于l0最小化的点集重采样框架。
- 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。
- 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。