摘要:
我们提供云数据中进行表面重建的各个算法,并进行评价和比较。尽管在表面重建问题上做了大量的工作,但是一个全面评估这类算法的方法仍然没有。我们提出一个简易的管道来确定表面重建算法,包括三个主要部分:表面模型、抽样和评估。我们使用隐式的表面来建模形状,形状可能呈现出不同于大小和锐化的特征。从这些隐式的表面,我们通过综合的生成扫描范围产生点云,它类似于现实的扫描数据由一个光学三角测量扫描仪。我们通过比较生产在商业光学激光扫描仪上合成抽样方案,其中我们扫描原始表面的3D打印版本。最后我们通过比较输出重建表面和通过以密度统一分布样例的隐式表面形成评估。我们分解我们的基准为两组不同的实验。第一组实验在大量情况下确定重建在复杂形状下的点形状。尽管这些实验对于比较十分有用,但他们缺乏精密的分析。为了补充这一点,第二组实验对于抽样特征和表面特征确定特定的表面重建属性。这些实验描述一个表面重建算法的细节检测的状态。
点云进行表面重建:
算法中我们仅仅使用一个有方向的点云作为输入,输出是一个近似的表面。在这篇文章中给我们给出每个的算法的简略介绍,这写简略的算法用于在实验中进行辨识。
指示函数:这类算法通过找到尺度函数X来重建一个三维固体O,其中指示函数已知。
表面被定义为三维固体O的偏导数。在实际中,这些方法通过草种一个常规的网格或者八叉树,来近似X并且通过鼓励的表面网格产生 。
1. Poisson表面重建(泊松表面重建)
泊松表面重建通过注意 应该与在 上的标准场N解决X。这相当于反向梯度算子。因此,X通过泊松方程求解。
2. Fourier 表面重建(傅里叶表面重建