RG-PSR：面向退化三维成像点云的可靠性引导泊松表面重建

《Journal of Imaging》：RG-PSR: Reliability-Guided Poisson Surface Reconstruction for Degraded 3D-Imaging Point Clouds

　　

三维（3D）成像系统，包括深度相机、LiDAR传感器和多视角扫描管线，通常会产生带有噪声法线、离群点、稀疏采样和非均匀密度的点云，这会降低后续网格重建的质量。泊松表面重建（Poisson Surface Reconstruction）轻量且无需训练，但其全局隐式公式对不可靠定向样本和固定密度修剪阈值敏感。本文提出RG-PSR，一种面向退化三维成像点云的可靠性引导增强框架，用于泊松族表面重建。RG-PSR从局部密度规律性、间距变异性和法线一致性中估计每个点的确定性可靠性分数，并通过保守点滤波、可靠性引导法线优化、自适应密度-可靠性修剪和结构感知后处理传播该分数。主流程在推理时不需要人工标签、神经网络训练或真实网格。研究人员在五种确定性退化类型下的三组物体网格上进行的实验表明，RG-PSR在退化输入下改善了泊松族重建。与固定密度修剪的泊松重建相比，RG-PSR将整体Chamfer-₁从0.0218降至0.0172，将F₁从0.6618提升至0.6836，并将artifact ratio从0.3090降至0.2632。在更广泛的经典比较中，局部三角剖分方法实现了更强的逐点精度，而RG-PSR产生了最少的连通分量和最高的最大分量比。这些结果将RG-PSR定位为用于连贯泊松族重建的实用可靠性层，而非所有表面重建方法的通用替代品。

三维（3D）成像系统（如深度相机、LiDAR传感器和多视角扫描管线）采集的点云常因噪声法线、离群点、稀疏采样和非均匀密度而退化，导致下游网格重建质量下降。现有泊松表面重建（Poisson Surface Reconstruction, PSR）方法虽轻量且无需训练，但其全局隐式公式对不可靠定向样本敏感，且固定密度阈值难以适应多样退化模式。为此，研究人员提出RG-PSR（Reliability-Guided Poisson Surface Reconstruction），一种确定性、无需训练的可靠性引导增强框架，旨在提升泊松族重建在退化点云输入下的鲁棒性与网格连贯性。该研究在控制退化的基准上评估了RG-PSR，发现其能有效抑制伪影、改善全局网格结构，而非追求局部点精度。论文发表在《Journal of Imaging》。

研究人员采用的关键技术方法包括：基于局部密度规律性、间距变异性和法线一致性计算每个点的确定性可靠性分数；保守的可靠性引导滤波以去除低可靠样本；可靠性引导的邻域法线优化以稳定法线方向；自适应密度-可靠性修剪，结合泊松密度与输入点可靠性动态调整修剪阈值；以及结构感知后处理，包括弱边界修剪、薄支撑修复和轮廓保持平滑。所有方法均无需训练，依赖空间索引（如KD树）加速邻域搜索。

研究结果按实验小节概括如下：

**4.2. Effectiveness of RG-PSR for Poisson-Family Reconstruction**：通过在三组数据集（Open3D/Stanford、ModelNet10子集、程序化CAD压力测试）上比较RG-PSR与原始泊松重建、筛选泊松重建（Screened Poisson）及固定密度修剪泊松重建，发现RG-PSR在退化输入下全面提升了Chamfer-₁、F₁和artifact ratio，且减少了连通分量。例如，相比固定密度修剪，Chamfer-₁降低21.1%，artifact ratio降低14.8%，连通分量减少35.7%。

**4.3. Comparison with Classical Surface-Reconstruction Baselines**：与Alpha Shape、球旋转算法（BPA）、贪婪投影三角剖分（GP3）等经典方法比较，发现局部三角剖分方法（如GP3）在逐点精度上最优（Chamfer-₁ 0.0056，F₁ 0.8390），但产生大量碎片化连通分量（176.19个）；RG-PSR虽逐点精度较低，但获得最少的连通分量（16.25个）和最高的最大分量比（0.9872），表明其在全局网格连贯性上的显著优势。

**4.4. Parameter Selection and Sensitivity**：在验证集上对修剪强度、法线优化融合权重α_n和邻域大小k进行参数敏感性分析，发现修剪强度对结果影响最大，而α_n和k的敏感性较低。

**4.5. Ablation Study**：在75个案例（15形状×5退化）上对核心模块进行消融，发现自适应密度-可靠性修剪贡献最大，完整核心模块（不含结构感知修复）的Chamfer-₁从泊松的0.0333降至0.0179，标准差从0.0279降至0.0146。

**4.6. Reliability-Score Validity**：直接验证可靠性分数，发现其与法线误差呈显著正相关（Spearman ρ=0.577，45案例均正相关），与点误差弱相关（ρ=0.088）；用于离群点检测的AUROC为0.959，AUPRC为0.928，表明可靠性分数主要反映邻域法线一致性和离群点，而非坐标噪声。

**4.7. LiDAR/Scanning Case Study**：在三个LiDAR样累积块（稀疏、各向异性、含遮挡区域）上测试，无真实网格，采用留出点对网格评价。RG-PSR在保持留出覆盖率的同时减少了弱支撑伪影，而原始泊松重建产生大量平滑表面和弱支撑薄片。

**4.8. Discussion**：总结RG-PSR的优势在于提升泊松族重建的鲁棒性和网格连贯性，但存在局限性：可靠性分数在多种密度模式下可能偏差；核心管线引入额外计算开销（约5.8%）；结构感知修复保守，可能过度修剪或平滑细节；LiDAR案例仅为初步评估。未来工作将扩展至更大数据集、稀疏户外扫描和更鲁棒的薄结构处理。

研究结论部分翻译如下：本文提出了完整的RG-PSR管线，一个面向退化点云改善泊松族表面重建的可靠性引导框架。该方法从局部密度规律性、间距变异性和法线一致性中估计点可靠性，并通过保守滤波、法线优化、自适应密度-可靠性修剪和结构感知网格修复传播该可靠性。主流程为确定性且无需训练，重建时不需要人工标签、神经网络训练或真实几何。在三组数据集上的实验表明，RG-PSR在退化输入下改善了泊松族重建：相比原始泊松、筛选泊松和固定密度修剪，它降低了几何误差、抑制了弱支撑伪影并提升了全局网格连贯性。同时，局部三角剖分方法（如BPA和GP3）在有利采样条件下仍保持强逐点精度，可在Chamfer距离和F-score上超越RG-PSR。因此，RG-PSR应被理解为泊松重建的实用可靠性层，而非所有表面重建方法的通用替代品。未来工作将把可靠性框架扩展到更广泛的重建后端、更大外部CAD数据集、稀疏户外扫描以及更鲁棒的复杂薄结构处理。