《Computers & Graphics》：Faster progressive geometry compression via normal uncertainty
编辑推荐：
多边形网格是三维曲面的基本表示形式，广泛应用于计算机辅助设计（CAD）、3D打印、数字娱乐、虚拟现实与增强现实、在线零售和房地产可视化等行业。随着采集技术的进步和真实感需求的增长，网格数据集的规模快速增长，尤其是在涉及精细三维扫描或复杂模型的应用中。这些大型数
多边形网格是三维曲面的基本表示形式，广泛应用于计算机辅助设计（CAD）、3D打印、数字娱乐、虚拟现实与增强现实、在线零售和房地产可视化等行业。随着采集技术的进步和真实感需求的增长，网格数据集的规模快速增长，尤其是在涉及精细三维扫描或复杂模型的应用中。这些大型数据集对有效的压缩方法提出了日益增长的需求，即在不损害视觉或功能保真度的前提下减小数据规模。
三角形网格通常由连接关系（定义顶点如何连接形成面）和几何信息（指定顶点的空间位置）组成。连接信息通常必须无损编码以保持拓扑完整性和视觉连续性，而几何信息通常可以进行有损压缩。允许损失的多少和类型在很大程度上取决于预期应用。在科学或工程领域，几何精度至关重要，压缩必须最小化顶点位置的绝对偏差。相比之下，许多可视化应用（如房地产的虚拟漫游或交互式零售平台）主要要求重建网格在人类观察者眼中看起来视觉逼真。在这些情况下，压缩算法可以利用人类视觉感知的局限性来降低存储和传输成本，即使几何精度有所损失。
感知几何压缩旨在将更多比特分配给失真可能可见的区域，而将较少比特分配给不太明显的区域。然而，感知误差本质上是主观的，难以量化。为此，研究人员提出了各种感知度量，试图模拟人类对几何失真的敏感度。这些度量已被用于指导渐进式压缩算法，该算法首先传输网格的粗略近似，然后迭代地细化。这在渲染分辨率随时间增加的应用中尤其有价值，例如游戏中的层次细节系统或大型模型的实时流式传输。
当前感知引导的渐进式压缩方法的一个关键局限性在于，需要显式编码和传输细化位置。虽然编码器可以访问原始网格，并能计算出哪些位置的额外比特能最有效地降低感知误差，但解码器缺乏这一信息，必须被告知在何处应用每个细化操作。这引入了大量开销，可能显著抵消感知优先排序带来的效率提升。
在先前的工作中，研究人员提出了一种新的渐进式几何压缩算法，该算法由一种基于法向不确定性的新型感知代理度量驱动。该度量通过分析周围三角形法线的可变性来估计每个顶点的感知重要性，其假设是局部表面方向的不确定性与几何失真的视觉影响相关。关键在于，该度量是对称的：编码器和解码器可以相同地计算，从而无需为每次细化传输定位数据。这使得编码器只需发送校正值，解码器即可根据自身的法向不确定性排序以适当顺序应用这些校正。
研究结果表明，所提出的方法在多个感知度量上优于使用加权平行四边形预测的Edgebreaker基线，尽管它在传统几何误差度量上表现较差。这些发现支持了在编码器和解码器之间共享感知模型、以指导渐进式网格压缩中的细化和优先处理高视觉重要性区域的可行性。
在本工作中，研究人员通过更高效的近似策略解决了先前实现的计算瓶颈。研究人员用使用缓存Halton序列和早停启发式的自适应拟蒙特卡洛方法取代了原始采样。该方法加速了压缩流程并提高了重建质量。通过同时优化采样逻辑和底层实现，推动法向不确定性驱动的压缩走向实际应用。所提出的自适应Halton策略相比自适应蒙特卡洛采样，将不确定性收敛所需的平均样本数减少了近50%，同时实现了更低的估计误差并保持了感知压缩性能。
研究人员还研究了多层感知器（MLP）以进一步加速法向不确定性评估。尽管先前的训练尝试未成功，但当前模型提供了功能性估计，并展示了恒定时间预测的潜力。虽然神经变体尚无法达到基于采样的方法的估计质量，但它能更快地产生结果。在完全替代采样方法之前，仍需进一步优化训练过程。
**论文解读：基于法向不确定性的渐进式几何压缩优化**
**1. 研究背景与问题**
三维多边形网格作为数字化几何的主要表示形式，在计算机辅助设计、数字娱乐、虚拟现实等领域广泛应用。随着三维扫描技术和建模精度的提升，网格数据规模日益庞大，对高效压缩算法的需求愈发迫切。网格压缩通常包括连接信息编码和几何信息预测两个核心环节。连接信息需无损编码以维持拓扑完整性，而几何信息在有损条件下可通过预测编码大幅压缩。在可视化场景中，视觉保真度优先于精确几何位置，因此感知驱动的压缩方法成为研究热点，其核心思想是将更多比特分配给感知失真明显的区域。然而，现有感知引导的渐进式压缩方法存在一个关键问题：细化位置的显式传输。编码器可依据原始网格计算何处细化收益最大，但解码器无法获得原始网格，必须接收每个细化位置的定位信息，导致大幅开销。此外，先前的法向不确定性度量采用固定角落采样（Corner sampling）策略，其空间采样受限，估计偏差较大，且计算成本高昂。为突破这些瓶颈，有必要探索更高效的采样策略和神经估计方法，以推动感知驱动的渐进式压缩走向实际应用。
**2. 研究目标与方法概述**
本研究旨在优化基于法向不确定性的渐进式几何压缩算法，在保持甚至提升感知质量的同时解决计算效率问题。研究人员提出采用自适应Halton拟蒙特卡洛（QMC）采样替代原始的自适应蒙特卡洛（MC）采样，利用低差异序列的均匀覆盖特性加速法向不确定性收敛。同时，探讨了基于多层感知器（MLP）的神经估计器，以近似法向不确定性，实现恒定时间预测。核心算法以Edgebreaker+加权平行四边形预测（WPP）生成粗网格，通过共享法向不确定性排序的优先队列实现无定位信息的渐进细化。评估在七个网格模型上进行，包括简化Bunny、简化Armadillo、Lion、Fandisk、Max Planck、Neptune（100K顶点）和XYZ Dragon（100K顶点），对比了DAME、FMPD、MSDM、MSDM2等感知度量以及MSE和最大误差等几何度量。
**3. 主要研究结果**
**3.1 自适应Halton采样的优势**
研究人员通过20,000个场景的对比测试表明，自适应Halton策略融合缓存Halton序列和早停启发式，其平均采样数较自适应MC减少约50%，同时估计误差更低（平均误差0.0855°对比0.1605°），且每个场景平均计算时间从0.7906 ms降至0.4553 ms。在渐进压缩实验中，Halton策略在大多数感知度量上优于Corner策略，取得最佳率失真（RD）性能，计算速度与Corner策略相当。
**3.2 神经估计器的探索**
研究人员训练了一个三层MLP（128-128-64神经元，ReLU激活）映射15维归一化输入特征到法向不确定性。结合混合路由机制，对训练分布范围内的场景由神经预测器处理，超出范围则回退至自适应Halton采样。在测试网格上，神经估计器的利用率高达99.43%至100%。虽然其估计精度和压缩性能暂未达到采样方法水平，但在较大网格上速度优势明显，显示出恒定时间预测的潜力。
**3.3 感知质量与几何精度的权衡**
与Edgebreaker+WPP基线相比，采用法向不确定性引导的细化策略（尤其Halton）在MSDM和MSDM2等感知度量上表现出稳定提升，例如在Lion网格上MSDM改善22.03%、MSDM2改善16.09%。尽管MSE等几何误差指标变差（相对增加高达数百个百分点），但这符合感知压缩的预期权衡——优先视觉保真而非绝对坐标精度。在100K顶点的大网格上，感知优势在多数度量上保持，唯MSDM在高比特率下未能持续改善。细化分布可视化显示，AABB单元策略倾向于优先细化法线与主轴对齐的三角形区域，混合轴法线区域获得细化较少。
**4. 讨论与结论**
讨论部分指出，自适应Halton策略在准确性和速度间取得了良好平衡，其理论鲁棒性优于Corner启发式方法。神经估计器虽当前表现尚不稳定，在大网格上出现过估计问题，但已能识别主要失真区域，且计算速度更快，是未来优化的重要方向。AABB单元的局限性可通过推广至任意体积单元解决，这需要更复杂的采样或更强大的神经架构。
研究结论为：研究人员提出了一种基于法向不确定性的感知引导渐进式网格压缩方法。与传统单速率方法相比，渐进方案通常伴随率失真性能损失，但该方法在多个感知质量度量上可靠地超越了使用加权平行四边形预测的传统Edgebreaker基线，尽管几何误差指标较差。这一权衡符合感知压缩的预期目标。本研究通过引入自适应Halton采样解决了计算瓶颈，使法向不确定性驱动的细化具备实用性；同时验证了神经估计器实现恒定时间预测的可行性。未来工作将集中于改进神经估计器训练过程、探索任意非轴对称单元形状、进行底层性能优化，并推动该方法在大规模数据集上的实际应用，其参考实现已公开于GitHub。
