基于径向基函数（RBF）的 3D 点云表面重建算法实现。
为什么实现这个项目？是因为起因是有位国内自研BIM CAD软件的一位大佬，来我们院进行技术培训，它是做BIM软件地质算法相关的，培训讲解他们软件多牛逼时，顺带提了隐式建模的内容，给出一篇地质相关的隐式边界建模论文 《Implicit Boundary Modeling with Radial Basis Functions》（Sebastian Sanchez and Clayton V. Deutsch）, 并在他们的软件中实现了该算法，并且我跟他聊天的过程中，他说了RBF对比Poisson重建的各种优点，， 我个人感觉他有点包装和炫耀个人技术嫌疑，并且他说的优点都是对比Poisson的缺点来说的，有点像学术界为了发篇论文而黑Poisson的感觉，Poisson也是著名大佬Hoppe的成果之一， 并且主流开源界都对Poisson算法进行了实现，并没有RBF的实现(也许有，只是我在文档找不到)，我就觉得他的说法有点站不住脚，从工程上没说服我。或许RBF在地质建模上有优势吧，毕竟那片原始论文需要假定一个域标签，标记内域和外域，这样才可以重建表面，那篇论文本来就是地质相关的。我感觉就目前而言，在这个离线非实时场景，还是Poisson更好，难怪主流实现的都是Poisson重建，RBF可能需要用在其他地方吧。
所以我重新找了篇RBF的3D Object相关的论文来进行实现。
对了，Poisson重建的原始论文是 《Poisson Surface Reconstruction》 (Michael Kazhdan1, Matthew Bolitho1 and Hugues Hoppe, 2006)
本项目实现了论文 《Reconstruction and Representation of 3D Objects with Radial Basis Functions》（J.C. Carr et al., SIGGRAPH 2001）中的核心算法，提供两种重建方法供对比：
- RBF 重建：基于多谐波 RBF 的隐式表面重建
- Poisson 重建：基于泊松方程的表面重建（PCL 实现）
bunny原始PCD
Poisson重建结果
RBF重建结果
- 语言: C++
- 构建系统: CMake
- 点云处理: PCL
- GUI: Qt5
- 矩阵运算: Eigen3
# PCL (点云库)
sudo apt install libpcl-dev pcl-tools
# Qt5 (GUI 框架)
sudo apt install qtbase5-dev
# Eigen3 (矩阵运算库)
sudo apt install libeigen3-devmkdir build && cd build
cmake ..
make -j$(nproc)
./bin/rbf_implicit支持点云格式：PCD、PLY、XYZ
测试数据位置：test/data/
bunny.pcd- 斯坦福半边的兔子点云ism_test_cat.pcd- 猫点云
- 点击 "Load Point Cloud" 加载点云文件
- 选择重建方法：
- "Reconstruct with RBF" - RBF 3D 重建
- "Reconstruct with Poisson" - Poisson 重建（对比）
- 查看重建结果
- Load Point Cloud: 加载点云文件
- Reconstruct with RBF: 执行 RBF 3D 表面重建
- Reconstruct with Poisson: 执行 Poisson 表面重建
- Clear: 清除所有数据
| 特性 | RBF | Poisson |
|---|---|---|
| 理论基础 | 全局插值，能量最小化 | 泊松方程重建 |
| 数学形式 | 隐式函数 s(x) = 0 | 等值面提取 |
| 输入要求 | 点云 + 法向量（自动估计） | 点云 + 法向量（自动估计） |
| 离面点 | 需要（沿法线投影生成） | 不需要 |
| 矩阵类型 | 稠密矩阵 (N+4)×(N+4) | 稀疏八叉树 |
| 求解器 | LU 分解（Eigen 多线程） | 稀疏求解器 |
| 计算复杂度 | O(N³) | O(N log N) |
优点：
- ✅ 最光滑插值：能量最小化理论保证
- ✅ 孔洞修复能力强：能够平滑填充大范围缺失数据
- ✅ 非均匀采样适应性好：对稀疏和不规则数据鲁棒
- ✅ 法线可解析计算：隐式函数梯度直接给出法线
- ✅ 全局一致性好：单一函数表示整个物体
- ✅ 拓扑保持：生成封闭、水密的流形网格
缺点：
- ❌ 计算慢：O(N³) 复杂度，大规模数据不可行
- ❌ 内存占用大：稠密矩阵需要 O(N²) 内存
- ❌ 数据规模限制：基础版本仅支持 < 5000 点
- ❌ 矩阵可能病态：某些配置下条件数过大
适用场景：
- 小规模点云（< 5000 点）
- 需要高质量光滑表面
- 有大孔洞需要修复
- 非均匀采样数据
优点：
- ✅ 计算速度快：O(N log N) 复杂度
- ✅ 内存效率高：稀疏矩阵，内存占用小
- ✅ 支持大规模数据：可处理数十万点
- ✅ 实现成熟：PCL 内置，经过广泛测试
- ✅ 可调分辨率：通过 depth 参数控制细节
缺点：
- ❌ 孔洞修复能力有限：倾向于封闭所有孔洞
- ❌ 过度平滑：可能丢失尖锐特征
- ❌ 参数敏感：depth、samplesPerNode 等参数影响结果
- ❌ 细节丢失：低深度设置下丢失细节
- ❌ 法线质量依赖强：错误的法线导致明显伪影
适用场景：
- 中大规模点云（> 5000 点）
- 需要快速重建
- 完整扫描数据（无大孔洞）
- 实时应用
implict-boundary-rbf/
├── CMakeLists.txt # 构建配置
├── README.md # 本文件
├── doc/ # 论文文档
│ ├── 3d-reconstruct-with-rbf.md # RBF 3D 重建论文
│ └── research-report.md # 研究报告
├── src/
│ ├── core/ # 核心算法
│ │ ├── DistanceFunction.{h,cpp} # 法向量估计和离面点生成
│ │ ├── RBFInterpolator.{h,cpp} # RBF 插值器（多谐波 RBF）
│ │ └── MarchingCubes.{h,cpp} # 等值面提取
│ ├── io/ # 文件 I/O
│ │ └── PointCloudLoader.{h,cpp} # 点云加载器
│ ├── gui/ # GUI 界面
│ │ ├── MainWindow.{h,cpp} # 主窗口
│ │ └── PointCloudViewer.{h,cpp} # PCL Visualizer
│ └── main.cpp # 程序入口
├── test/data/ # 测试数据
│ ├── bunny.pcd
│ └── ism_test_cat.pcd
└── build/
└── bin/rbf_implicit # 可执行文件
- 法向量估计（K 近邻）
- 法向量方向一致化（全部朝外）
- 离面点生成（沿法线投影）
- 多谐波 RBF：φ(r) = r 或 φ(r) = r³
- 增广线性系统求解 [A P; P^T 0]
- 多线程 LU 分解（Eigen）
- 进度回调支持
- 标准 Marching Cubes 算法
- 可调节分辨率
- 生成封闭三角网格
论文中提到但本基础版本未实现的优化：
- 快速多极子方法（FMM）：将评估复杂度降至 O(M + N log N)
- 贪婪中心缩减：减少 80-90% 的中心点数量
- 紧凑支撑 RBF：使矩阵变为稀疏矩阵
本项目仅用于学习和研究目的。
-
Carr, J.C., et al. (2001). Reconstruction and Representation of 3D Objects with Radial Basis Functions. SIGGRAPH 2001.
-
Kazhdan, M., et al. (2006). Poisson Surface Reconstruction.
-
Lorensen, W.E., & Cline, H.E. (1987). Marching Cubes: A high resolution 3D surface construction algorithm.