🌈简介

SMD是一个高性能的网格保特征算法去噪复现合集。基于facet-index的数据结构复现了该领域的多篇代表性论文。作为sayoriaaa的本科毕业设计，它包含以下论文的复现：

滤波	稀疏正则化	压缩感知
(SIGGRAPH'03) Bilateral mesh denoising	(SIGGRAPH'13) Mesh denoising via L0 minimization	(SIGGRAPH'14) Decoupling Noises and Features via Weighted l1-analysis Compressed Sensing
(TVCG'11) Bilateral Normal Filtering for Mesh Denoising	(CAD'13) Feature-preserving filtering with L0 gradient minimization
(Proc. PG'15) Guided Mesh Normal Filtering

使用

本项目使用较为通用，这里是详细资料

项目文件说明

• src/ 源文件
  • [论文算法]/
  • dependencies/
  • utils/
• data/ 数据集
• docs/ 文档
• bash/
  • *.bat win下的任务
  • *.sh linux下的任务
• scripts/ 一些封装的python函数
• run/
  • [具体任务]/
    • xxx.obj 去噪后的网格
    • time.txt 记录每个网格去噪的时间开销
    • metric.txt 记录每个网格的指标

metric.txt中的格式如下：

NAME:40359 
DENOISED:run/ir2/40359 
GT:data/examples/40359 
AAD:25.8935
AHD:0.0037325
OEP:0.016092

time.txt的格式如下（首项和末项格式固定）：

NAME:40359edge 
SMD-L0: C++ implementation of "Mesh Denoising via L0 Minimization" 
Average dihedral angle: 32.6038
lambda: 2.10814
alpha: 0
Execution time: 139.537 ms

运行

本项目提供了windows下的一些批处理测试脚本，一键在run目录下生成对应的文件。

它们包括

• test_cube.bat：测试不同算法在cube模型下的去噪效果，可修改cube的噪声强度等
• test_ir.bat：测试不同非规整网格在不同$L_0$方法下的去噪效果
• test_selected.bat：测试从Synthetic、Kinect系列数据集中选取的25个模型，在$L_0$方法默认参数下的去噪效果
• test_robust.bat：测试从$L_0$算法超参数$\lambda$的鲁棒性、亦可用于选取最优参数

这些脚本提供了注释，根据这些注释的提示修改set=的内容，便可以进行同类实验。在生成文件后，可以在make_figure.ipynb中找到对应任务的可视化代码。如果是自定义任务（即根据bat注释进行了修改），修改cell内的proj_name即可。

执行可视化后，在exp目录下会保存图像，比如test_robust.bat对应的任务可视化图为

数据集

test_selected.bat等脚本需要包含额外的数据集：CNR提供的合成数据集Synthetic，扫描数据集Kinect v1、Kinect v2、Kinect F；GCN提供的扫描数据集PrintData。

它们可以分别在 https://wang-ps.github.io/denoising.html 和 https://drive.google.com/file/d/1x561-v3z1j0q_1qHYG0Fja1W-sqjhYpC/view下载

解压后，data下的文件为

└── data
    ├── examples
    ├── Kinect_Fusion
    ├── Kinect_v1
    ├── Kinect_v2
    ├── Synthetic
    └── PrintedDataset

降噪结果评估

平均豪斯多夫距离（AHD）

$$ E_v=\frac{1}{N_vL_d}\sum_{v^r_i\in v^r_M} \min_{\tilde{v}_j\in\tilde{V}_m}\Vert v^r_i-\tilde{v}_j \Vert $$

平均法向角距离（AAD）

$$ E_a=\frac{1}{N_f}\sum_{f^r_i\in F^r} \mathrm{acos}(n^r_i \cdot \tilde{n}_i) $$

结果以角度为单位

翻折边比例（OEP）

基于$L_0$论文中folded triangle的可视化，使用边所对应的二面角进行网格评估，给出一个定量度量

$$ E_f=\frac{1}{N_e}\sum_{e^r_i\in F^r} \tau(e^r_i) \\ \tau(e)=\begin{cases} 1&\mathrm{dihedral\ angle}(e)<30^\circ \\ 0&\mathrm{otherwise} \end{cases} $$