基于符号距离函数的体渲染表面重建研究综述

在计算机视觉和图形学领域,多视图物体表面重建是一个重要的研究方向。符号距离函数的体渲染技术是一种新兴的物体表面重建方法,因其在复杂场景重建中的出色表现受到人们广泛关注。旨在对符号距离函数的体渲染技术进行全面分析和总结,为未来研究人员提供参考。首先介绍了有向符号距离函数的基本原理及其在体渲染技术中的应用;随后,从提升表面重建质量、加快训练速度、稀疏视图重建、重光照和材料编辑、特定场景重建等方面整理分析了该领域的关键模型改进和技术进展;此外,还对比分析了不同模型在速度和性能方面的表现,并简要介绍了模型评估的主要指标和公开数据集;最后,对该领域的研究现状进行了总结,并对未来的研究前景进行了展望和探讨。

基于B样条的(保边界的)高精度符号距离函数重建

针对隐式符号距离函数重建这一问题,提出一种高精度的符号距离函数重建方法.首先,基于快速行进法获得离散的符号距离场;其次,针对离散符号距离场进行B样条自适应拟合;最后,为了提高重建的边界拟合精度,在拟合的目标函数中考虑了边界误差,得到了在边界上具有较高精度的离散符号距离函数重建结果.实验结果表明,通过上述方法获得的隐式符号距离函数重建结果,在保证符号距离函数拟合良好的情况下其零水平集能很好的贴合原始边界.

水平集方法中符号距离函数快速重构

符号距离函数重构是水平集方法中必不可少、且相当费时的步骤。本文分类比较了符号距离函数的构造方法;对两类快速算法:基于程差方程的显式方法和基于偏微分方程的隐式方法,进行不同程度的改进;通过对比实验验证算法有效性,从实验结果分析了各方法的优缺点。最后介绍两类方法在水平集方法图像分割中的具体应用。

水平集方法中符号距离函数的快速生成

准确快速地计算任意闭合曲线的符号距离函数,是提高水平集方法的效率和稳定性的至关重要的一步。改进了基于快速步进法标记任意闭合曲线内外部的方法,优化了基于源点映射扫描方法生成距离函数值的方法。实验证明方法准确有效,进一步提高了水平集方法中符号距离函数的生成速度。

一种快速的符号距离函数的生成方法

针对图像处理中常规水平集方法,设计了一种基于同心圆扩散的符号距离函数的生成算法。新的设计方法克服了通常构造距离函数计算量大的不足。首先通过对水平集曲线形状的分析,给出了曲线内外点的判断方法,这种方法只需要经过图像的一次扫描即可给出内外点的判断;其次,利用同心圆扩散方法,寻找曲线上的最近点,并查找距离表,给出任一点到曲线的距离;最后,给出了所设计方法的计算步骤和算例,并与其它方法进行了比较,结果表明,新的方法计算稳定、速度快。

基于改进符号距离函数的变分水平集图像分割算法

为保证水平集图像分割算法的稳定性,传统水平集方法常采用重新初始化的方法或引入符号距离函数,但这两种方法存在计算量大或计算不稳定的问题.因此,提出一种基于改进符号距离函数的变分水平集图像分割算法.首先,改进已有的Double-Well型符号距离函数约束项,改进后的约束项可避免重新初始化、提高计算效率,同时也能更好地保证水平集函数演化过程的稳定.然后,利用基于全局灰度信息和局部灰度信息的活动轮廓模型构造能量泛函,该能量函数继承了全局模型和局部模型的优点,可驱动水平集函数准确演化至目标边界,且可动态调整组合权重.最后,引入高斯卷积运算,加快演化速度同时也对水平集函数起到平滑的作用.对人工合成和自然图像的数值实验及与同类模型的对比实验证明,提出的模型具有较高的分割准确度及对噪声和初始轮廓的鲁棒性.

基于曲线推进的符号距离函数生成方法

目的构造水平集方法中所采用的符号距离函数,以提高曲线演化算法的速度。方法通过对水平集曲线形状的分析,给出了曲线内外点的判断方法,然后以距离等于1为步长推进边界,同时进行邻域最近点扫描,寻找任一网格点在曲线上的最近点,从而给出该点到曲线的距离。结果内外点的判断以及符号距离函数的构造均只需要经过图像的一次扫描即可给出结果,计算复杂度为O(N)。结论数值实验分析结果表明,新的方法计算稳定,比其他方法速度快。

水平集中符号距离函数并行降维计算

目的符号距离函数在水平集图像分割,视觉特征提取等图像处理领域有重要应用。随着图像分辨率越来越高,符号距离函数计算效率直接影响图像处理速度,为实现高分辨率图像实时处理,本文在降维法的基础上提出了并行算法,并针对并行计算对降维法进行了改进。方法降维法将2维距离计算转化为两个1维距离计算,并采用抛物线下界法计算1维距离,是当前最快的一种符号距离计算方法。首先利用行和列计算的独立性,提出了降维法的并行算法。然后再对并行降维法进行改进,提出了抛物线下界法的并行算法。该方法采用多线程分段并行计算抛物线下界,即每个像素点与段内相邻像素点并行进行抛物线求交运算,快速搜索抛物线下界,从而实现了抛物线下界法的分段并行距离函数计算。所有并行算法在CUDA平台上采用GPU通用并行计算方法实现。结果对不同分辨率及包含不同曲线的9幅图像进行实验测试,在距离计算误差小于1的条件下,并行降维算法对所有测试图像计算时间均小于0.06 s,计算效率比串行方法有了10倍以上的提升,改进并行降维算法对所有测试图像计算时间均小于0.03 s,计算效率比串行方法有了20倍左右的提升。结论该方法实现了符号距离函数的快速并行计算,其优势在于当图像分辨率较高时仍然能够实现实时处理。

水平集函数规则化的C-V主动轮廓模型

Chan与Vese提出的C-V主动轮廓模型采用传统的水平集方法实现,为了保证水平集函数演化的稳定性,需要加入轮廓的长度项来规则化水平集函数,且在演化的过程中要周期性重新初始化为符号距离函数,从而大大增加了计算量和实现的复杂度。提出一种新的规则化水平集函数的方法,不但可以保证水平集函数演化稳定,而且避免了重新初始化。实验结果表明:该方法稳健、快速。

基于物体单视图的隐式曲面重建

基于隐式曲面的三维重建方法在保真度、灵活性和压缩能力方面提供了良好的权衡。文章利用隐式曲面网络学习物体形状的三维表面,首先利用视觉几何群(visual geometry group-16,VGG-16)网络从图像中提取全局特征,对建模空间中的每个采样点从VGG-16网络中获取局部特征;其次对每个采样点利用多层感知器(multi-layer perceptron,MLP)进行位置编码得到点特征;然后将全局特征和局部特征分别与点特征串联起来送入2个解码器中,获得隐式场中采样点的符号距离函数(signed distance function,SDF)的大小与符号,并最终得到物体的隐式曲面。文中所提出的方法应用于ShapeNet数据集上进行三维对象重建任务,定性和定量评估均优于现有方法,特别是对于具有孔洞和薄结构的复杂拓扑物体。

基于边缘强化神经拉动模型的三维表面重建

通过学习空间点云数据的符号距离函数(Signed Distance Functions, SDFs)进行三维表面重建是当前的研究热点。为重建出高精度的水密模型,神经拉动(Neural-pull, NP)采用点云拉动,以训练同步更新SDFs,但在实际重建过程中,重建模型会因为点云存在噪声和缺失而导致重建结果不够精细,带来错误的表面重建。针对以上问题,引入边缘提取强化输入点云的边缘信息,提出利用残差学习机制的边缘强化神经拉动模型(Neural Pull based on Edge Enhancement, NPEE)。为确保重建表面平滑的同时能够获取更多的表面细节,该方法在保留原本神经网络用于学习SDFs的基础上引入一个新的网络,利用残差学习机制学习点云的边缘SDFs。同时在原始点云的基础上,引入边缘因子σ,结合学习的边缘SDFs,通过点云边缘的鲁棒提取强化输入点云。为验证算法模型的优化效果,采用目前广泛使用的ABC数据集、斯坦福扫描模型和模拟扫描数据集设计对比实验,实验结果以及评估指标(CD)表明,NPEE可以有效改善神经拉动算法在边缘表面重建的缺陷,同时和其他重建方法相比,NPEE在面对稀疏点云和含噪点云时仍能保证重建的精确性和完整性。

基于邻域表面特征的隐式神经表示方法

隐式神经表示能够实现任意分辨率下的表面重建。现有方法仅使用了坐标信息,未考虑到其邻域表面上的特征对局部形状的贡献,因此难以精确恢复表面上复杂的纹理和拓扑。为此,提出一种采用编码-解码策略的改进模型,提高表面重建的精度。编码器获取坐标在邻域表面上的特征编码和其在高维空间下的映射编码。在解码器中应用损失自适应加权策略,提高编码信息的利用率。实验结果表明,较现有方法显著提高了重建结果的精度,其重叠度和F-score分别提高了1.458%和1.46%,平均倒角距离降低了0.08。

基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.

左心室核磁共振图像的自动分割

目前左心室核磁共振图像的分割方法,大部分是半自动的,如Snake方法;为了能实现全自动分割,该文先采用SVM对图像进行左心室定位,然后用水平集(LevelSet)方法进行分割.针对水平集符号距离函数构造计算量大的问题,提出了一种新的符号距离函数(SDF)的生成方法———中线延拓方法.它只需对图像进行一次扫描就可以生成SDF,同时还可以记下每点对应的曲线上的最近邻点,为速度项中曲率的扩展提供条件.针对核磁共振图像成像特点,特别是对加标记线的左心室核磁共振图像,引入了块像素变差和灰度相似性的思想,对水平集方法的速度项进行了改进,提高了分割精度.该方法能全自动、快速、准确地实现左心室的分割.文中给出了合成图像和左心室核磁共振图像的分割结果.

改进的C-V水平集模型图像分割算法

复杂的计算限制了基于Chan-Vese(C-V)水平集模型的图像分割方法的应用。为提高图像分割的速度,提出一种基于C-V水平集模型的改进水平集方法。在一般情况下,只需要几次简单迭代就能分割出物体的轮廓。实验表明,该方法简单高效,能够快速有效地实现图像轮廓分割。

一种新颖的快速水平集初始化方法

水平集方法是偏微分图像分析的一个重要的数值方法,其最大的问题是计算量大,速度缓慢,特别是需要频繁的初始化。针对这个问题进行深入研究,提出了基于数学形态学的水平集初始化方法。形态学方法分为平滑和重建两个步骤,利用基本的开、闭和膨胀运算来分别平滑数值不精确的距离函数和重建窄带。新的方法不仅具有很高的效率,而且可以适应各种拓扑变化,完全可以替代常规方法,运用于数字图像的实时处理中。

一种改进的无需水平集重新初始化的C-V主动轮廓模型(英文)

重新初始化是使水平集函数保持符号距离函数的必要步骤。虽然它保证了水平集函数的稳定收敛,但是它也降低了曲线演化的速度。本文主要在该方面针对Chan-Vese提出的水平集图像分割模型进行了改进,提出了无需重新初始化的C-V模型。该模型将水平集函数与距离函数的偏差作为能量函数引入C-V模型,以此来约束水平集函数成为距离函数,提高了C-V模型的演化速度。同时该模型能够用一般的分段常数函数来定义初始水平集函数,即水平集函数不必初始化为符号距离函数。这样,对于不规则形状的初始轮廓,节省了初始化过程所消耗的时间。实验结果表明,本文所提出的模型不仅提高了C-V模型的演化速度,而且实现了水平集函数初始化的灵活性。

基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题。Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题。通过对Li模型的分析,提出了一个新的变分水平集的分割模型。该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化。并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性。实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势。

基于变分水平集的三维模型复杂孔洞修复

针对三维模型重建后存在大量复杂孔洞的问题,提出一种孔洞修补算法。首先构造符号距离函数,孔洞所在曲面用静态符号距离函数的零水平集表达,另一动态符号距离函数表示初始曲面;借助隐式曲面上的变分水平集,引入全局凸优化能量模型,通过对其极小化诱导,将提取孔洞边缘的问题转换为维体上隐式曲面的演化过程;最后以提取到的孔洞边缘曲面作为初始观察面,通过卷积和合成两个交替的步骤进行体素扩散完成孔洞修补。实验表明该算法能够有效恢复复杂孔洞区域的显著几何特征,且适用于含有网格较多模型的孔洞修复。

对水平集方法鲁棒初始化的双向快速步进法

水平集方法解决应用于图像或运动分割的曲线或曲面演化问题,是一种稳定有效的数值计算工具。本文解决在初始化水平集方法时的两个问题:如何确定任意形状闭合曲线或曲面的内外部,如何高效地重新初始化水平集函数。论文首先对Sethian[4]所提出的快速步进法进行了推广,得到双向快速步进法;据此,改进了生成符号距离函数的方法,以提高水平集方法中重新建立符号距离函数的效率;随后,基于快速步进法,提出一种确定任意形状闭合曲线或曲面内外部的简单快速的方法,用于构造水平集的符号距离函数;最后,对任意形状闭合曲线内外部区分、基于两种初始化算法的水平集方法对任意形状闭合曲线演化和图像分割的实验,证明了本文方法的简单、高效。