SIGGRAPH Asia 2024 | 建筑群细节层次联合生成

科技   2024-12-17 14:08   北京  

导读

本文是张润泽同学对论文 Architectural Co-LOD Generation 的解读,该工作来自深圳大学可视计算研究中心黄惠教授课题组,并已被发表在计算机图形学顶级会议SIGGRAPH Asia 2024上。 

项目主页: 
https://vcc.tech/research/2024/CoLOD 

该工作 (CoLOD) 提出了基于协同分析的建筑模型细节层级 (LOD) 生成方法,CoLOD以分割好的建筑群为输入,生成具有语义一致性的建筑群LOD表示。CoLOD突破了以往仅考虑模型复杂度和简洁性来生成LOD的局限性,实现了更佳的建筑模型细节层级表示。



I


 引言 

在建筑模型重建领域,多细节层次 (LOD) 生成对于城市规划、自动驾驶、虚拟现实和数字娱乐等一系列应用至关重要,高精度、低面片数目的建筑细节层次模型是实现高效空间计算的关键。LOD表示的质量好坏取决于三个层面:一是复杂度和简洁性的平衡,即能否用更少的基元来更精确的还原原始模型;二是合理的低层级向高层级的结构渐进,即合理的定义不同的层级;三是能否保证层级内的一致性,即每一个层级内不同的模型所展现出的语义信息是否统一。


之前的LOD生成算法分为两类,他们都无法同时处理以上问题:第一类方法是基于预定义LOD层级表示的算法,其预先定义好建筑上的不同结构所属的层级,这使得理论上可以实现层级内一致性,但预定义规则无法涵盖复杂多样的建筑模型,因此实际表现欠佳。第二类LOD生成方法仅优化单个模型的复杂度和简洁性,难以保证不同建筑在同一层级的结构一致性,以及层级间的合理过渡。本次导读论文设计了基于结构块的跨建筑协同分析方法,进而实现了合理的层级定义以及具有层级内语义一致性的建筑群LOD表示。


II


 技术贡献 

本工作主要贡献如下:

  • 首次实现了利用协同分析进行LOD生成,进而实现了自适应的LOD层级定义以及层级内的语义一致性

  • 提出了一个建筑模型结构分解模块,可以将无组织的建筑点云划分为有意义的结构块;

  • 提出了一个能量方程用于自适应的定义LOD层级


如下图和表所示,该方法由于结构完整性的保持实现了视觉上更好的LOD;同时,其通过利用结构信息引导LOD生成,避免了渐进式模型简化方法容易陷入的局部最优,进而在衡量LOD质量的定量指标上实现了更优的结果:用更少的面片可以更精确的表示输入模型。

图1 CoLOD与渐进式模型简化方法的对比

表1 CoLOD与其他方法的定量指标对比

(V: 顶点数;F: 面片数;P: 多边形数;  算法成功率;LFD: Light Filed Distance;HD: Hausdorff Distance;I-LOD/S-LOD: 单独建筑/建筑群的用户偏好)


III


 方法介绍 

图2 CoLOD算法流程图

CoLOD算法分为三个阶段:第一阶段为结构分割,将初始输入(点云或网格模型)分割为多个结构块用于减少协同分析计算量;第二阶段为协同分析,分析不同建筑的结构块,将其放到不同层级;第三阶段为表面提取,根据不同层级所包含的结构块,提取出多层级的水密多边形网格模型。

结构分割

图3 CoLOD结构分割模块流程图

CoLOD利用基于空间离散化的光线射击分析来分割出有意义的结构块,算法背后的基本假设是一个有意义的结构块应该围成一片封闭的空间。结构分割模块首先对输入进行平面检测,之后将输入的空间包围盒进行N*N*N的均匀离散化,并从每一个离散化块的中心出发向四周发射光线,根据不同块所击中的平面将相关平面聚合起来得到结构块。

协同分析
CoLOD以结构分割阶段得到的结构块为基本分析单位,协同分析不同建筑上的结构块进而实现合理的层级定义以及具有层级内语义一致性的建筑群LOD表示。首先,其通过优化提出的能量方程实现了LOD0的定义
以上用于定义LOD0的能量方程涉及三个优化目标,依次为LOD0的表征能力 LOD0的简洁性 协同分析项 其中,  鼓励LOD0中的块的总体积尽可能大,  鼓励LOD0中的块的总面片数目尽可能少。第三项协同分析项  是本文提出的技术创新之一,其通过鼓励在不同建筑上重复出现的结构从LOD0中移除来定义LOD0。要定义  首先需要定义结构块之间的相似性度量:
 
 中第一项用于衡量形状相似性,第二项用于衡量尺度相似性。  用的是旋转不变的几何描述符D2的变式,加入了法向的度量来更好的区分建筑块,  用于提取  对应的协方差矩阵的特征值来描述建筑块s的尺度特征。有了以上块与块之间的相似性度量,我们可以进一步的定义块的跨建筑重复性进而得到  用于LOD0的定义:
  
其中  表示一个建筑被分解后的结构块集合,  表示一个建筑的结构块中属于LOD0的结构块集合,  和  分别表示建筑群的所有结构块或所有LOD0结构块。直观上讲  对LOD0内存在的跨建筑重复块进行惩罚。得到LOD0之后,对于剩余结构块,CoLOD以块间距离为度量利用谱聚类的方法将他们进行聚类,再根据类内平均体积放到不同的LOD层级。

表面提取

图4 CoLOD表面提取模块流程图

不同的LOD层级由不同的结构块组成,每个结构块由多个平面组成,CoLOD根据协同分析阶段计算得到的结构块所在层级可以得到不同层级对应的平面组成,进而可以利用传统的空间划分、内外标定算法根据不同层级的平面组成提取出水密表面。

IV


 部分结果展示 

CoLOD的分阶段结果图

文章展示了算法流程各个阶段的输出,从左到右依次是输入点云、平面检测结果、结构块分割结果、分析生成的三个LOD层级。
图5 CoLOD各阶段的输出,算法可以处理复杂的建筑
建筑群LOD生成效果对比
为城市建筑场景生成LOD时,由于CoLOD生成的模型具有更好的层级内一致性带来了更佳的视觉效果,同时由于更好的层级定义,可供选择的模型复杂层级更丰富。
图6 对比于之前的方法 CoLOD实现了最好的层级间渐进性与层级内一致性,进而保证了每个层级内更好的视觉效果以及提供足够多样的层级表示供下游应用

V


 总结与展望 
CoLOD基于协同分析实现了LOD层级间的合理过渡以及层级内的一致性,推进了城市场景LOD的发展,为城市场景渲染、空间计算提供了解决方案。实现层级渐进式的纹理贴图、将层级内一致性实现为可以处理建筑外物体的通用型算法都是值得进一步研究的方向。

VI


 思考与讨论 
Q: CoLOD如何实现的模型复杂度与保真性的平衡,使得其可以用更少的面片来更好的表示原模型? 
A: CoLOD在能量方程中有  与  用于平衡复杂度与保真性,相比于其他的方法其可以用更少的面片来更好的表示原模型主要是由于结构信息的引入帮助CoLOD避免陷入局部最优解。 

Q: 建筑之外的物体LOD生成需要保持层级内一致性吗?纹理贴图需要保持一致性吗?是否有相关工作?
A: LOD往往用于加速空间计算和减少渲染开销,结合我在腾讯游戏的实习经历,我认为建筑之外的物体同样需要保持层级内一致性来进一步分配计算资源;从渲染的角度来说纹理贴图的一致性相比于几何一致性更加重要,但往往需要建立在几何一致的基础上;关于LOD层级内一致性的研究目前我并未发现其他工作,保证一致性是LOD表示的发展方向之一。 

以下是开放性问题,欢迎读者朋友留言讨论: 
Q: LOD的定量度量,目前仅有保真性与复杂度有数值度量方法,这很大程度上限制了LOD的进一步发展。我们能否利用VCC发布的UrbanBis数据集,制作一个用于城市场景方方面面研究的Baseline模拟环境?以LOD度量为例,我们可以在模拟系统中提供各种LOD下游应用作为测试,给出不同方法更加全面的数值化比较结果。如何设计一个可拓展的模拟环境可以最大化的便利其他研究者进而促进领域的发展? 

Q: 出于计算复杂度的考虑CoLOD结构分割模块并没有纳入到整体协同分析优化方程中,现有很多工作可以利用协同分析进行最好的结构块分割,这一点是否可以纳入到CoLOD中做进一步的算法提高?

-- End --


导 读 | 张润泽
审 核 | 黄惠
编 辑 | 申金、余鑫泉

参考文献

[1] Groger Gerhard, Plumer Lutz. CityGML - Interoperable semantic 3D city models. ISPRS Journal of Photogrammetry and Remote Sensing (P&RS). 71, 12-33, 2012. 

[2] Liangliang Nan, Peter Wonka. PolyFit: Polygonal surface reconstruction from point clouds. International Conference on Computer Vision (ICCV). 106-122, 2017. 

[3] Yannick Verdie, Florent Lafarge, Pierre Alliez. LOD generation for urban scenes. ACM Transactions on Graphics (TOG). 34(3), 146:1-146:12, 2015. 

[4] Zhen Chen, Zherong Pan, Kui Wu, Etienne Vouga, Xifeng Gao. Robust low-poly meshing for general 3D models. ACM Transactions on Graphics (SIGGRAPH). 42(4), 119:1-119:20, 2019. 

[5] Guoqing Yang, Fuyou Xue, Qi Zhang, Ke Xie, Chi-Wing Fu, Hui Huang. UrbanBIS: a large-scale benchmark for fine-grained urban building instance segmentation. ACM Transactions on Graphics (SIGGRAPH). 29(4), 16:1-16:11, 2023. 

[6] Jean-Philippe Bauchet, Florent Lafarge. Kinetic shape reconstruction. ACM Transactions on Graphics (TOG). 39(5), 156:1-156:14, 2020. 

[7] Robert Osada, Thomas Funkhouser, Bernard Chazelle, David Dobkin. Shape distributions. ACM Transactions on Graphics (SIGGRAPH). 21(4), 807-832, 2002.

arXiv每日学术速递
工作日更新学术速递!官网www.arxivdaily.com。
 最新文章