Taubin 1995 — 把网格平滑当成低通滤波

待复核

是什么

Taubin 1995 把”让 3D 网格变光滑”重新理解成一道信号处理题：顶点位置是信号，皱褶毛刺是高频噪声，做一遍低通滤波就能去掉。

日常类比：照片去噪你会模糊一下；音频去嘶嘶声你会砍高频。网格也一样——先定义”频率”是什么，再套滤波器。

它给出的”频率”建立在图拉普拉斯算子上：每个顶点相对邻居平均的偏离，就是离散版”二阶导数”。算子的特征向量就像网格上的傅里叶基。

为什么重要

不理解它，下面这些事都没法解释：

为什么早期扫描软件一平滑，人头模型就像气球放气一样整体瘪掉
为什么后来能谈”网格上的低通 / 高通”——频率从哪来的
为什么 MeshLab / libigl 里的 Taubin Smooth 要成对调 λ 和 μ，而不是只调一个步长
为什么谱网格处理、乃至图神经网络的频域卷积，都把图拉普拉斯当默认语言

它是谱网格处理的奠基文献之一：先用图拉普拉斯定义频率，再用 λ|μ 双步骤做到平滑但不收缩。之后三十年的网格去噪与谱方法，大多站在这套框架上往前走。

核心要点

1. 把网格当信号

N 个顶点的 x 坐标是长度 N 的向量（y、z 同理）。Taubin 用的离散拉普拉斯是：

(Δx)_i = sum_{j in N(i)} w_ij · (x_j − x_i)

类比：顶点相对邻居平均的”拉力”。完全平 ≈ 0，尖刺很大。常用正定形式写 K = −Δ（即度矩阵减邻接权 D−W），特征值 ≥ 0，当作频率轴上的刻度。

2. 特征向量 = 网格的傅里叶基

对 K 做特征分解：0 ≤ k_1 ≤ … ≤ k_N。k 小 → 越平滑（低频）；k 大 → 越震荡（高频）。任意网格信号都能写成这些特征向量的线性组合——和普通信号写成正弦波叠加完全同构。

3. 滤波器 = 函数 f(k)

设计滤波器 = 挑 f(k)：≈1 保留该频率，≈0 砍掉。低通 = 小 k 接近 1、大 k 接近 0。不必真的做完整特征分解——后面的 λ|μ 迭代等价于在频域乘这个 f。

4. λ|μ 两步法（防收缩）

朴素一步 x ← x + λ·Δx（λ>0）对应 f(k)=1−λk，除直流外全被压低 → 收缩。Taubin 的招：缩一步再放一步——

第一步：λ>0，向邻居靠，压毛刺
第二步：μ<0 且 |μ|>λ，反向推一点，把低频形状捞回来

合起来 f(k)=(1−λk)(1−μk)：k≈0 处 ≈1（不缩），大 k 处 ≈0（去毛刺），中间零点 k_PB 控制截止频率。

这就解决了”平滑但不缩”的核心矛盾。

实践案例

案例 1：球为什么越平滑越小

圆球网格上，邻居平均落在球内 → 顶点向球心移。重复几次球缩成点。Taubin 两步法”拉一下再推一下”，保住最低频（整体形状那一档），体积大致不变。

案例 2：MeshLab / 伪代码里怎么跑

MeshLab 菜单：Filters → Smoothing, Fairing and Deformation → Taubin Smooth，填 λ、μ、迭代次数。概念上等价于：

# 伪代码：对顶点坐标 V 做 N 次 λ|μ
for t in range(N):
    V = V + lam * delta(V)   # λ>0：向邻居靠，压毛刺
    V = V + mu  * delta(V)   # μ<0：反向推一点，保体积

逐步解释：

输入：带扫描噪声的三角网格（先保证流形）
每轮先 λ 后 μ；看表面是否变顺、轮廓是否未瘪
迭代约 5–20 次停手。经验：λ≈0.5、μ≈−0.53；|μ|−λ 越大保形越好、去噪越弱

案例 3：扫描头模去噪（跟做思路）

假设平均边长约 1mm，噪声振幅约 0.2–0.5mm（亚边长级高频抖动）：

先修非流形 / 破洞，再跑 Taubin（λ=0.5，μ=−0.53，约 10 次）
检查鼻尖、耳廓是否还在，脸是否未整体缩小
若尖锐边被糊掉，不要靠加迭代硬磨——换 Fleishman 2003 bilateral 或 L0 保边方法

踩过的坑

权重选错特征会扭：等权/Fujiwara 权随三角化漂；cotangent 权（Pinkall-Polthier 1993）才对应曲面拉普拉斯-贝尔特拉米。
λ、μ 靠肉眼：教科书常给 λ=0.33、μ=−0.34，但模型不同最佳值不同，没有万能自动档。
“频率”依赖拓扑：同几何不同三角化 → 拉普拉斯不同 → 高频含义不同。
不能保边：低通天生糊尖角；要保边得换 bilateral / L0 那一类后续工作。

适用 vs 不适用场景

适用：

3D 扫描后处理：噪声约 0.1–0.5 倍平均边长、需要快速稳定去毛刺
只要 5–20 次迭代、两三个参数的平滑
入门谱网格处理——先搞懂拉普拉斯特征向量这套语言

不适用：

工业 CAD 要留尖锐棱边（用 bilateral / anisotropic）
非流形或破洞网格（先修拓扑）
大变形重建（那是 mesh editing，不是 smoothing）

历史小故事（可跳过）

1980s 末：3D 扫描刚普及，扫出来的网格全是高频抖动，业界用各种 ad hoc 平均
1993：Pinkall & Polthier 提出 cotangent 公式，把离散拉普拉斯和连续曲面对齐
1995：Taubin 在 SIGGRAPH 第一次把整套信号处理语言搬到任意拓扑网格上
2000s：Sorkine、Lévy 等人把拉普拉斯坐标用于 mesh editing；谱网格处理变成独立子领域
2010s 至今：图神经网络的”图卷积”频域定义，同样扎根于图拉普拉斯，与 Taubin 一脉相承

学到什么

跨学科类比是创新的高产田——把信号处理搬到几何上，整个领域被重塑
解决副作用的招式：用反向操作抵消（λ 缩一下，μ 放一点）
离散算子要对应连续算子，否则一改拓扑结果就漂——这是 cotangent 权重对、等权重常错的根本原因
低通滤波的局限：它对所有信号一视同仁，要”区别对待”必须引入非线性（bilateral 那条线）

关联

loop-1987-subdivision —— 同样在三角网格上做局部平均，但目的是细分加密而非去噪
marching-cubes-1987 —— 体素抽出的网格通常很糙，是 Taubin 平滑的常见输入源
desbrun-1999-implicit-fairing —— 隐式公平化，同一拉普拉斯家族的后续工作
goral-1984-radiosity —— 同样在网格上解方程，谱方法对它也适用
graph-neural-networks —— 图卷积的频域定义和 Taubin 滤波器同根

反向链接

desbrun-1999-implicit-fairing —— Desbrun 1999 — 把热扩散方程隐式离散到三角网
garland-heckbert-1997-qem —— QEM — 给三角网格『瘦身』时算每一刀的代价
sorkine-2004-laplacian-editing —— Sorkine 2004 — 用拉普拉斯坐标编辑网格，拽把手不丢细节
draco —— Draco — Google 3D 网格压缩