VisFlow: Interpretable Flow Matching for Visibility Reconstruction, Characterization, and Recognition
作者: Rahul Moorthy, Volkan Isler
分类: cs.CG, cs.CV
发布日期: 2026-10-22
💡 一句话要点
提出VisFlow以解决可见性重建与表征问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 可见性重建 几何表示 流动匹配 多边形演化 计算机视觉 深度学习
📋 核心要点
- 现有方法在处理几何对象与可见性图之间的关系时存在不足，尤其是小的几何变化会导致离散表示的剧烈变化。
- 论文提出的VisFlow通过结合连续SDF表示与显式多边形演化，提供了一种新的可解释流动匹配框架，旨在更好地处理可见性重建与表征问题。
- 实验结果表明，VisFlow在可见性重建中比现有方法多保持20%的可见性关系，并在可见性表征中提高了30%的覆盖率，显示出显著的性能提升。
📝 摘要（中文）
学习连续表示（如潜在流形）的方法在现代机器学习中至关重要。然而，许多几何对象结合了连续形状信息与离散组合结构，这给表示学习带来了挑战。小的几何扰动可能导致底层离散表示的急剧变化，从而使得连续表示的平滑性假设失效。多边形是一个典型例子，其顶点位置连续变化，但几何的微小变化可能显著改变相关的可见性图。现有方法通过顶点、三角剖分或有符号距离函数（SDF）表示来解决从可见性图到多边形几何的逆映射。我们提出了VisFlow，这是一种新颖的可解释流动匹配方法，结合了连续SDF表示与显式多边形演化。我们在可见性重建和可见性表征上评估了VisFlow，相比于最先进的方法，VisFlow在可见性重建中保持了20%的可见性关系，并在可见性表征中提高了30%的覆盖率。
🔬 方法详解
问题定义：论文要解决的问题是如何有效地从可见性图重建多边形几何，现有方法在处理几何与可见性之间的关系时存在不足，尤其是小的几何变化会导致离散表示的剧烈变化。
核心思路：论文的核心解决思路是提出VisFlow，这是一种新颖的可解释流动匹配方法，结合了连续SDF表示与显式多边形演化，旨在更好地捕捉几何与可见性之间的关系。
技术框架：VisFlow的整体架构包括两个主要模块：可见性重建模块和可见性表征模块。可见性重建模块生成与给定可见性图一致的多边形，而可见性表征模块则对所有可能的多边形进行表征。
关键创新：VisFlow的最重要技术创新在于其可解释性和流动匹配的结合，使得在多边形构建的每个阶段都能明确捕捉到几何与可见性之间的关系，这与现有方法的隐式表示形成了鲜明对比。
关键设计：在技术细节上，VisFlow采用了特定的损失函数来优化可见性关系的保持，并设计了适应性的网络结构以支持多边形的显式演化过程。
🖼️ 关键图片
📊 实验亮点
实验结果显示，VisFlow在可见性重建任务中保持了20%的可见性关系，相较于最先进的方法表现更优；在可见性表征任务中，VisFlow的覆盖率提高了30%，展现出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括计算机视觉、机器人导航和图形学等，尤其是在需要从可见性信息重建几何形状的场景中具有重要价值。未来，VisFlow可能会推动更复杂几何体的可视化与理解，提升自动化设计和分析的能力。
📄 摘要（原文）
Methods for learning continuous representations, such as latent manifolds, are fundamental and ubiquitous in modern machine learning. Yet many geometric objects combine continuous shape information with discrete combinatorial structure. This combination presents a fundamental challenge for representation learning because small geometric perturbations can induce abrupt changes in the underlying discrete representation. As a result, the smoothness assumptions that make continuous representations effective no longer hold. Polygons provide a canonical example. Their vertex locations vary continuously, but infinitesimal changes in geometry can dramatically alter the associated visibility graph. Existing methods address the inverse mapping from visibility graphs to polygon geometry using vertex-, triangulation-, or signed-distance-function (SDF)-based representations. Vertex- and triangulation-based approaches construct polygons through explicit geometric operations. However, they are less effective at modeling the relationship between geometry and visibility. SDF-based approaches capture this relationship more naturally. Their intermediate states, however, do not correspond to explicit stages of polygon construction. We present VisFlow, a novel, interpretable flow formulation that combines continuous SDF representations with explicit polygon evolution. We evaluate VisFlow on Visibility Reconstruction and Visibility Characterization. Visibility Reconstruction generates one polygon consistent with a visibility graph (G), while Visibility Characterization characterizes all such polygons. VisFlow maintains 20% more visibility relations on Visibility Reconstruction and improves coverage by 30% on Visibility Characterization compared to state-of-the-art methods.