DMesh++: An Efficient Differentiable Mesh for Complex Shapes¶

会议: ICCV 2025
arXiv: 2412.16776
代码: 项目页面提供
领域: 3D视觉
关键词: 可微网格, 三角剖分, 点云重建, 多视图重建, Minimum-Ball算法

一句话总结¶

本文提出DMesh++，通过Minimum-Ball算法替代加权Delaunay三角剖分实现可微网格的tessellation函数，将计算复杂度从 \(O(N)\) 降至 \(O(\log N)\)，在处理复杂形状时速度提升最高32倍，同时保持无自交叉和少薄三角形的优良特性。

研究背景与动机¶

三角网格因其效率、灵活性和可控性，是下游任务（渲染、仿真等）中最常用的形状表示。然而网格的连接关系（connectivity）本质上是离散的，且可能的连接关系随顶点数呈指数增长，使其难以成为可微的形状表示。

现有解决方案及其局限性： - 神经隐式表示（如SDF/UDF + Marching Cubes）：高效但通常不能处理开放表面和非可定向几何 - 数据驱动方法（如MeshGPT, SpaceMesh）：基于Transformer预测连接关系，但对outlier和自交叉不鲁棒 - DMesh：Son et al.提出的概率方法，通过加权Delaunay三角剖分（WDT）为每个面计算存在概率，避免自交叉和outlier，但WDT的计算复杂度为 \(O(N)\)，且难以GPU并行化，N=100K时在3D中需800ms

核心矛盾：DMesh的概率化方法在理论上优雅，但WDT的计算瓶颈严重限制了其处理复杂形状的能力。

本文的核心idea：设计Minimum-Ball条件替代WDT，不仅保持了DMesh无自交叉和少薄三角形的优势，还将复杂度降低到 \(O(\log N)\)，实现高效的GPU并行化。

方法详解¶

整体框架¶

DMesh++延续DMesh的概率化思想：每个点用 \((d+1)\) 维向量表示（\(d\) 维位置 + \(\psi\) real值），不再需要WDT权重 \(w\)。面 \(F\) 的存在概率为 \(\Lambda(F) = \Lambda_{min}(F) \times \Lambda_{real}(F)\)，其中 \(\Lambda_{min}\) 判断面是否满足Minimum-Ball条件，\(\Lambda_{real}\) 判断面的顶点是否在形状表面上。

重建过程采用多阶段优化：(1) 初始化点特征；(2) 优化点位置；(3) 优化real值；(4) 细分网格增加细节；(5) 迭代上述过程。

关键设计¶

Minimum-Ball条件（Definition 3.1）：
- 功能：定义面 \(F\) 的最小包围球 \(B_F\)（过 \(F\) 所有顶点的最小半径球），如果 \(B_F\) 内部不包含 \(\mathbb{P}\) 中的其他点，则 \(F \in \mathbb{F}_{min}\)
- 核心思路：将判断面是否合法转化为最近邻搜索问题。计算 \(B_F\) 的中心 \(B_F^c\) 和半径 \(B_F^r\)，然后查找 \(B_F^c\) 在 \(\mathbb{P}-F\) 中的最近邻： \(d(B_F, \mathbb{P}) = \min_{p \in \mathbb{P}-F} ||p - B_F^c|| - B_F^r\) \(F \in \mathbb{F}_{min} \Leftrightarrow d(B_F, \mathbb{P}) > 0\)
- 设计动机：最近邻搜索可高度并行化（GPU上利用KD-tree），而WDT由于固有的竟态条件几乎无法并行化
可微概率计算：
- 功能：将离散的Minimum-Ball条件用sigmoid函数软化为连续概率
- 核心思路： \(\Lambda_{min}(F) = \sigma(d(B_F, \mathbb{P}) \cdot \alpha_{min})\) 其中 \(\alpha_{min}\) 是控制sharpness的常数。\(B_F\) 的中心和半径可通过解几何方程以可微方式计算
- 设计动机：保持梯度可传播，使得优化点位置时网格拓扑可以动态变化
理论保证：
- \(\mathbb{F}_{min} \subseteq \mathbb{F}_{dt}\)（Minimum-Ball面集是Delaunay三角化面集的子集），因此继承无自交叉特性
- 虽然 \(\mathbb{F}_{min}\) 不一定tessellate整个凸包，但这恰好有利于形状重建（不强制填充不应存在的"imaginary"面）
- Minimum-Ball最小化薄三角形的出现（继承自Delaunay三角化的性质）
重建流程优化：
- 多阶段优化：分别优化位置和real值，避免同时优化导致的不稳定
- 网格细分：通过在现有面上插入新点来增加细节
- 损失函数：点云重建使用Chamfer Distance；多视图重建使用可微渲染损失

损失函数 / 训练策略¶

点云重建：主要最小化Chamfer Distance loss
多视图重建：可微渲染loss + 每阶段分步优化（位置→real值→颜色）
周期性缓存最近邻加速优化过程
所有实验在AMD EPYC 7R32 CPU + NVIDIA A10 GPU上进行

实验关键数据¶

主实验（3D点云重建，50个手选模型）¶

方法	CD(×10⁻³)↓	F1↑	NC↑	AR↓	顶点数	面数	时间(s)
VoroMesh	19.591	0.352	0.855	145.7	64561	129338	11
PSR	10.164	0.392	0.943	5.218	139857	279739	4
PoNQ	1.578	0.402	0.934	2.288	47254	94664	32
DMesh	0.154	0.289	0.921	1.961	5815	13088	1147
DMesh++	0.033	0.480	0.938	1.814	25396	55546	282

消融实验（tessellation效率对比）¶

配置	2D速度	3D速度	GPU内存
DMesh (WDT)	基准	基准	基准
DMesh++ (Minimum-Ball)	16x快	32x快	减少75-96%
N=200K, 3D	DMesh: ~800ms	DMesh++: 168ms	显著更少

关键发现¶

DMesh++ 在CD (Chamfer Distance) 指标上相比DMesh提升约5倍（0.033 vs 0.154），同时重建时间减少约4倍（282s vs 1147s）
在500个随机Thingi10K模型上，DMesh++在闭合/开放表面的CD均显著优于所有基线
GPU内存使用大幅降低：2D下减少96%，3D下减少75%
DMesh在处理复杂2D绘图时GPU显存耗尽而失败，DMesh++可以成功重建
与基于隐式表示的方法（PSR, PoNQ）相比，DMesh++在CD和F1上更优，且能处理开放表面

亮点与洞察¶

算法替换的巧妙性：Minimum-Ball条件在数学上优雅地替代了WDT，不仅保持了所有理论保证（无自交叉、少薄三角形），还将问题转化为高度可并行的最近邻搜索
渐进式的拓扑变化：在优化连续点特征的过程中，离散的网格拓扑会自然地动态变化（如Figure 3所示的花瓶重建过程），这种连续-离散结合的方式非常吸引人
通用的2D/3D适配：同一框架可以处理2D线段网格和3D三角网格，展示了方法的理论通用性
实用价值：作为ML pipeline中可微网格的基础组件，可被生成模型（如MeshGPT变体）直接采用

局限与展望¶

\(\mathbb{F}_{min}\) 是 \(\mathbb{F}_{dt}\) 的严格子集，因此生成的网格可能有"空洞"（某些Delaunay面不在Minimum-Ball集中）
多视图重建的质量与NeuS等隐式方法仍有差距
重建时间（282秒/模型）在实际应用中仍然较慢
需要以点云或多视图图像作为输入，不支持从单图/文本直接生成
尚未将DMesh++与大规模生成模型结合验证

评分¶

新颖性: ⭐⭐⭐⭐⭐ Minimum-Ball条件是对WDT的精妙替代，理论贡献清晰
实验充分度: ⭐⭐⭐⭐ 500+模型验证充分，但多视图重建的对比方法较少
写作质量: ⭐⭐⭐⭐⭐ 层次分明，从理论到实现到实验逻辑严密
价值: ⭐⭐⭐⭐ 解决了DMesh的核心瓶颈，使可微网格在复杂形状上变得实用