Researching: 从无序三维点云拟合三维曲线

从无序三维点云拟合三维曲线：研究进展综述

领域 : 计算机图形学 / 计算机视觉 / 几何处理

关键词: 无序点云、三维曲线拟合、曲线骨架提取、深度学习、参数化重建

1. 摘要

从无序三维点云中拟合三维曲线（3D curve fitting from unorganized point clouds）是计算机图形学、计算机视觉和几何处理领域的核心问题之一。其目标是从一个没有明确拓扑连接关系的离散三维点集中，重建出连续、光滑、结构化的曲线表示（如 B-Spline、NURBS、分段线性曲线等）。该问题在 CAD 逆向工程（reverse engineering）、文化遗产数字化保护（HBIM）、电力线巡检、医学血管建模、机器人路径规划等大量实际应用中扮演关键角色。

核心难点在于：(1) 无序点云缺少明确的几何拓扑信息；(2) 输入数据常伴有严重噪声、异常值和遮挡缺失；(3) 自由形态曲线的拓扑复杂多样，难以用统一模型描述；(4) 需要同时满足高精度重建和计算效率的平衡。

近年来，技术路线正经历从传统几何方法 （B-Spline/NURBS 拟合、RANSAC、Hough 变换、骨架提取）到深度学习驱动方法（边缘检测网络、神经隐式表示、端到端参数曲线重建）的重大范式转移。本报告系统梳理了截至 2026 年上半年的研究进展，涵盖五十余篇核心文献，从方法论、应用场景和开源生态三个维度进行全面综述。

2. 问题定义与核心挑战

2.1 问题形式化定义

设输入为无序三维点集 P = { p i ∈ R 3 } i = 1 N \mathcal{P} = \{p_i \in \mathbb{R}^3\}_{i=1}^{N} P={pi∈R3}i=1N，目标是：

识别 (Recognition)：判断曲线属于何种类型（如直线、圆弧、螺旋线、样条曲线等）
重建 (Reconstruction) ：输出一条或多条连续曲线 C ( t ) : $0 , 1$ → R 3 \mathcal{C}(t): $0,1$ \rightarrow \mathbb{R}^3 C(t): $0,1$ →R3，在某种度量下最佳逼近输入点集
参数化 (Parameterization)：为曲线赋予有意义的参数表示（如控制点、节点向量等）

2.2 核心挑战

挑战	具体影响
无序性 (Unorganized)	缺少邻接关系、连接顺序、方向信息 → 需从几何分布推断拓扑
噪声与异常值	扫描设备误差、环境干扰 → 简单最小二乘失效
数据缺失 (Occlusion)	自遮挡或扫描盲区 → 曲线不完整
拓扑未知性	曲线可能分叉、交叉、形成闭合环 → 单一模板失效
采样不均匀	扫描视角导致局部密度差异 → 各向异性误差
多曲线共存	一根电线杆上多条电力线交错 → 需同时分割与拟合
尺度差异	树干 (米级) 与细枝 (毫米级) 并存 → 骨架收缩畸变

3. 技术方法分类总览

本报告将现有方法分为两大范式、六个子类：

复制代码

从无序三维点云拟合三维曲线
├── 传统几何方法 (Traditional)
│   ├── 参数曲线拟合 (B-Spline/NURBS Fitting)
│   ├── 局部逼近 (MLS, Moving Least Squares)
│   ├── 随机采样一致性 (RANSAC)
│   ├── 霍夫变换 (Hough Transform)
│   ├── 曲线骨架提取 (Skeletonization)
│   └── 基于优化的方法 (Geometric Optimization)
│
└── 深度学习方法 (Deep Learning)
    ├── 边缘点检测网络 (Edge Detection)
    ├── 端到端参数曲线重建 (End-to-End)
    ├── 神经隐式表示 (Neural Implicit)
    └── 混合分析-神经方法 (Hybrid Analytic-Neural)

4. 传统方法

4.1 参数曲线拟合 (B-Spline / NURBS)

4.1.1 基本原理

B-Spline 和 NURBS（非均匀有理 B 样条）是工业界 CAD/CAM 的实际标准。核心思想是通过最小化点到曲线的距离平方和来优化控制点：

min ⁡ P j ∑ i = 1 N ∥ p i − C ( t i ) ∥ 2 \min_{P_j} \sum_{i=1}^N \| p_i - \mathcal{C}(t_i) \|^2 Pjmini=1∑N∥pi−C(ti)∥2

其中 C ( t ) = ∑ j N j , k ( t ) P j \mathcal{C}(t) = \sum_j N_{j,k}(t) P_j C(t)=∑jNj,k(t)Pj， N j , k ( t ) N_{j,k}(t) Nj,k(t) 为 B 样条基函数。

4.1.2 关键工作

Dimitrov & Golparvar-Fard (2016) $1$ $2$ ：提出面向 HBIM 的 NURBS 曲面/曲线拟合全流程管线，从点云分割到最终 NURBS 输出，可处理含噪声和不完整数据。
Ivan et al. (2025) $3$ ：专门针对 2D/3D 扫描点云在历史建筑信息建模（HBIM）中的曲线拟合，提出"目标逼近"策略，通过分析点云特征来优化曲线选择。

4.1.3 优势与局限

优势：数学表达精确、可导、无缝对接 CAD 系统、参数可控
局限：需要已知节点向量和曲线阶数；对噪声敏感；难以处理复杂拓扑（分叉、环）

4.2 移动最小二乘法 (MLS)

4.2.1 基本原理

MLS 是经典最小二乘的局部化改进。不在全局域上用单一多项式逼近，而是在每个查询点 x x x 处做局部加权拟合：

f ( x ) = min ⁡ β ∑ i w ( ∥ p i − x ∥ ) ⋅ ( y i − Φ ( p i ) T β ) 2 f(x) = \min_{\beta} \sum_i w(\|p_i - x\|) \cdot (y_i - \Phi(p_i)^T \beta)^2 f(x)=βmini∑w(∥pi−x∥)⋅(yi−Φ(pi)Tβ)2

其中 w ( ⋅ ) w(\cdot) w(⋅) 为紧支撑权函数（如高斯核、Wendland 函数）。

4.2.2 在曲线拟合中的应用

点云平滑与重采样 ：PCL 库中 pcl::MovingLeastSquares 用于法线估计改善和平滑。
Zhang et al. (2025) $4$ 的系统综述总结了 MLS 的七大类改进方案，包括自适应带宽选择、各向异性权重、鲁棒 M-估计等。
曲线投影：MLS 曲面/曲线的隐式定义特性使其天然适用于点到曲线的迭代投影（如 Alexa et al. 2001 的经典工作）。

4.2.3 优势与局限

优势：局部自适应性好、无需全局参数化、鲁棒
局限：不能直接产生参数曲线输出；紧支撑半径选择敏感；计算量大（每点需单独求解局部最小二乘）

4.3 RANSAC 方法

4.3.1 基本原理

RANSAC（RANdom SAmple Consensus）是一种鲁棒参数估计框架：随机采样最小点集拟合候选模型 → 统计内点数量 → 迭代选择最优模型。

4.3.2 在三维曲线拟合中的应用

pyRANSAC-3D $5$ ：开源实现，支持从点云中拟合平面、长方体、圆柱体等基本形状（注：当前主流 RANSAC 库主要针对面状和体状原语，曲线专用 RANSAC 相对较少）。
Efficient RANSAC (Schnabel et al.)：经典的 Efficient RANSAC 算法能高速提取多种基本形状，可作为曲线拟合的预处理分割步骤。
电力线方向：多篇研究先使用 RANSAC 提取直线段，再用悬链线模型拟合 $6$ 。

4.3.3 优势与局限

优势：极度鲁棒（可容忍高达 50% 的异常值）、无需初始值、概念简单
局限：仅适合参数少的简单曲线模型（直线、圆）；复杂曲线参数空间维度高导致组合爆炸

4.4 霍夫变换 (Hough Transform)

4.4.1 基本原理

霍夫变换将曲线检测问题转化为参数空间中的峰值搜索问题：每个数据点对参数空间中的所有可能参数组合"投票"，参数空间中累计最高区域对应最可能的曲线参数。

4.4.2 三维空间曲线 Hough 变换的最新进展

Raffo & Biasotti (2024) $7$ 系统性地将 Hough 变换扩展到三维空间曲线识别与逼近，提出三种方法：

方法	识别能力	逼近精度	先验需求	计算时间
方法一：投影到回归平面	✓	---	需要	5s
方法二：全局空间曲线	✓	★★	需要	13s
方法三：分段多项式曲线	✗	★★★	不需要	51s

方法一（基于投影）：将三维点投影到回归平面降维为二维曲线识别，再从二维结果映射回三维。适合可展平曲线，精度最低。

方法二（全局空间曲线）：直接在三维空间使用螺旋线、网球缝线曲线等空间曲线族进行 Hough 识别。提出了 Type I（已知解析表示的经典空间曲线）和 Type II（由抛物面与柱面相交生成的曲线族），后者极大扩展了可识别曲线的种类。

方法三（分段多项式空间曲线）：放弃全局模板，将轮廓 PCA 分割为子段后分别用三次多项式逼近两个正交投影，再重组为 G1 连续的分段空间曲线。精度最高（MFE=0.0096），且完全不需要先验知识。

4.4.3 其他 Hough 相关工作

Dalitz et al. (2017) $8$ ：提出迭代三维直线 Hough 变换 (hough-3d-lines)，在 RANSAC 之前先检测大致方向，Python 包 hough3d $9$ 可用。

4.4.4 优势与局限

优势：全局最优保证、鲁棒、对异常值不敏感
局限：参数空间维度爆炸（O(M^d)）、需要参数空间离散化精度权衡、高维空间峰值搜索困难

4.5 曲线骨架提取

曲线骨架（curve skeleton）是三维形状的一维中线表示，天然形成"三维曲线"。

4.5.1 拉普拉斯收缩法 (Laplacian-Based Contraction, LBC)

Cao et al. (2010) $10$ 是该领域的奠基性工作。核心思想是迭代求解线性系统收缩点云直至收敛为骨架：

W L L W H \] P ′ = \[ 0 W H P \] \\begin{bmatrix} W_L L \\\\ W_H \\end{bmatrix} P' = \\begin{bmatrix} 0 \\\\ W_H P \\end{bmatrix} \[WLLWH\]P′=\[0WHP

其中 L L L 为拉普拉斯矩阵（余切权）， W L W_L WL 和 W H W_H WH 分别为收缩力与吸引力对角权重矩阵。

PC-Skeletor $11$ 是该方法的 Python 开源实现，提供：

LBC（标准拉普拉斯收缩骨架化）
S-LBC（语义拉普拉斯收缩，引入语义标签改善粗细差异显著结构的收缩质量）
输出包括：收缩点云、骨架图 (networkx)、拓扑结构 (LineSet)

局限性：当主干与分支直径差异大时，细分支过度收缩导致拓扑失真；含孔洞结构产生错误拓扑连接。S-LBC 通过语义权重部分缓解了该问题。

4.5.2 L1 中轴骨架 (L1-Medial Skeleton)

Huang et al. (2013) $12$ 提出基于 L1 中轴的骨架提取，利用 L1 范数的稀疏性自然产生细线状骨架，尤其擅长处理含噪声的点云。PC-Skeletor 计划集成此方法（尚未实现）。

4.5.3 混合骨架提取

Lian et al. (2020) $13$ ：通过混合收缩与聚类策略从点云提取曲线骨架，基于截面质心集合定义曲线骨架表达。

保特征的骨架提取算法 (2023) $14$ ：针对含噪声点云，提出特征保持的骨架提取策略，特别关注尖锐特征的处理。

4.5.4 管状结构中心线提取

DeformCL (CVPR 2025) $15$ ：提出基于可变形中心线的三维血管提取方法，直接从三维医学图像中预测连续中心线表示，避免了传统像素级分割的断裂和假阳性问题。
One-stage Multitask (2025) $16$ ：单阶段多任务网络同时完成血管分割和中心线提取。
Semi-Automatic Correction (2025) $17$ ：通过变分优化半自动校正管状结构骨架。

4.6 基于优化的方法

4.6.1 最小二乘优化

经典的三维参数曲线拟合通过最小化残差平方和实现：

min ⁡ θ ∑ i = 1 N d ( p i , C θ ) 2 \min_{\theta} \sum_{i=1}^N d(p_i, \mathcal{C}_\theta)^2 θmini=1∑Nd(pi,Cθ)2

多项式曲线：直接求解线性最小二乘（三维坐标分别参数化）
Bézier 曲线：通过 Bernstein 基函数线性拟合控制点
样条曲线：需同时优化控制点和节点向量 → 非线性优化问题（Gauss-Newton / Levenberg-Marquardt）

开源库：ALGLIB $18$ 提供 C++/C#/Java 的全面曲线曲面拟合算法。

4.6.2 约束优化

电力线悬链线拟合 $6$ ：2019-2023 年系列工作，使用物理约束（悬链线方程）从 LiDAR 点云中拟合电力线。提出高效的悬链线最近点查找算法和链式拟合策略。
高速公路曲线重建 (2023) $19$ ：利用强化学习算法同时拟合多条高速公路曲线，将曲线检测建模为序列决策问题。
图引导 B-Spline 曲面重建 (2025) $20$ ：基于图字典引导的 B-Spline 曲面拟合，可处理变分辨率点云。

4.6.3 优势与局限

优势：数学严密、可提供置信区间、易于融入先验约束
局限：需要良好的初始估计、局部最优问题、对异常值敏感（需配合鲁棒损失函数）

5. 深度学习方法

5.1 边缘点检测方法

深度学习方法首先将曲线拟合问题分解为"先检测边缘点，再拟合曲线"的两阶段流程。

5.1.1 EC-Net (ECCV 2018)

Yu et al. (2018) $21$ 提出第一个基于深度学习的点云上采样与边缘保持网络：

在 PU-Net 基础上引入边缘距离回归损失和边缘损失
将"点到最近边缘的距离"作为回归目标 → 间接识别边缘点
局限性：仅输出边缘点得分，不提供曲线连接关系

5.1.2 EDC-Net (2021)

Capsule Network 方法 $22$ ：引入胶囊网络（Capsule Network）进行点云边缘检测，利用胶囊的矢量表示天然捕获几何部件间的姿态关系，鲁棒性优于传统 CNN 方法。

5.1.3 PIE-Net & PCEDNet

后续工作（PIE-Net、PCEDNet 等）将边缘检测表述为分类任务：每个点判断是否为边缘点。关键改进包括多尺度特征提取和注意力机制。

5.1.4 DEF (SIGGRAPH 2022)

Matveev et al. (2022) $23$ 提出 Deep Estimators of Features，是当前边缘检测方向的 SOTA：

从采样形状中预测到最近特征线的距离场
首个可扩展到大规模点云的方法：在局部 patch 上估计距离场后融合全局结果
输出距离场 → 提取等值线 → B-Spline 曲线拟合获得参数化结果
自然适应复杂 3D 模型和大规模含噪点云

5.2 端到端参数曲线提取

这类方法直接输出参数曲线表示，跳过了显式的边缘点检测步骤。

5.2.1 NerVE (CVPR 2023) --- 最具代表性的工作

Du et al. (2023) $24$ 提出 Neural Volumetric Edges，是该领域的突破性工作：

核心思想：

将连续三维曲线离散化到规则体积网格 中，每个立方体存储三个属性：
- 边缘占用 (edge occupancy o o o) --- 该体素是否包含曲线
- 边缘方向 (edge direction e e e) --- 曲线穿过体素的方向向量
- 边缘点位置 (point position p p p) --- 曲线在体素内的截断中点

网络架构：

编码器：简化的 PointNet++ 模块（点卷积/1D Conv）+ 简化的 3D CNN 模块（体积卷积）
融合：平均池化连接两种卷积输出，提供特征网格
解码器：基于 MLP 的独立属性预测头

后处理流程：

NerVE 体素 → 图搜索提取 PWL（分段线性）曲线
拓扑校正模块修复断裂与错误连接
现成样条拟合算法生成最终参数曲线（B-Spline）

实验结果：

在 ABC 数据集上达到参数曲线提取的 SOTA
显著超越此前基于关键点拟合的方法
可处理包括开曲线、闭曲线、交叉曲线在内的多种拓扑

5.2.2 三维参数化线框提取 (2021)

基于距离场的方法 $25$ ：处理标量距离场（表示点到最近尖锐特征的距离），从中提取参数化线框。先于 DEF 和 NerVE，是从距离场提取曲线的早期探索。

5.3 神经隐式表示 (Neural Implicit)

5.3.1 概览

神经隐式表示用神经网络 f θ ( x ) f_\theta(x) fθ(x) 编码三维形状的隐式函数（如符号距离函数 SDF 或占据场 Occupancy），曲线通过提取其 f θ ( x ) = 0 f_\theta(x) = 0 fθ(x)=0 的等值面或等值线获得。

5.3.2 相关进展

含尖锐特征的隐式曲线重建 (2025) $26$ ：最新工作，专攻编码尖锐特征的隐式表示。提出在光滑区域和尖锐特征区域使用不同策略，解决神经隐式表示模糊化尖锐边缘的问题。
曲率引导的神经隐式 (2025) $27$ ：引入曲率信息增强神经隐式表面重建质量，可间接改善曲线/边缘提取。
ANIR (2025) $28$ ：自适应神经隐式表示，将形状分解为多个局部隐式模块，支持高质量形状重建。

5.3.3 优势与局限

优势：表示能力极强、连续可微、自然支持任意拓扑
局限：训练时间长、从隐式场中精确提取曲线仍具挑战性（等值面粗糙度、拓扑噪声）

5.4 CAD 逆向工程方法

CAD 模型的逆向工程是从点云中重建 B-Rep（边界表示）或 CSG（构造实体几何），其中包含参数曲线的显式提取。

5.4.1 ComplexGen (SIGGRAPH 2022)

从点云数据重建 B-Rep 格式的 CAD 表示
核心创新：将 B-Rep 建模为"链复形"（chain complex），通过生成式图神经网络同时预测面和边的拓扑关系
输出包含参数曲线（边）和参数曲面（面）的完整 CAD 模型

5.4.2 Point2CAD (CVPR 2024) --- 最新 SOTA

Liu et al. (2024) $29$ 来自 ETH Zurich / PRS：

混合分析-神经重建方案：弥合分割点云与结构化 CAD 模型之间的鸿沟
可与不同分割骨干网络灵活组合
关键创新 ：提出新型自由曲面神经隐式表示用于表面拟合阶段
在 ABC 基准数据集上刷新 SOTA

5.4.3 该方向的意义

虽然 CAD 逆向工程的整体目标是重建三维模型（面+边+顶点），但其边重建模块本质上就是从无序点云中提取三维参数曲线，因此该方向的方法学进展直接惠及曲线拟合任务。

6. 应用领域

6.1 CAD/CAM 逆向工程

场景	输入	输出	代表方法
机械零件扫描	激光扫描点云	B-Rep CAD 模型	Point2CAD, ComplexGen
工业设计	手持扫描仪点云	NURBS 曲面+边曲线	DEF, 传统 NURBS 拟合
3D 打印修复	破损物体扫描	参数化边+面	EC-Net, NerVE

6.2 电力线巡检与重建

输入：无人机 LiDAR 点云（含大规模、多线交错、复杂悬链线形态）
方法：先 RANSAC/深度学习分割 → 悬链线方程拟合 $6$
最新进展 (2026) $30$ $31$ ：深度学习直接点云电力线提取 + 自动三维重建
关键挑战：多点云线相互交错、风致摆动导致悬链线形变

6.3 医学影像 ------ 管状结构分析

血管中心线：DeformCL (CVPR 2025) $15$ 用可变形中心线端到端提取血管拓扑
气道树建模：支气管树的骨架提取 → 辅助手术导航
神经元追踪：共聚焦显微镜点云 → 神经元轴突/树突曲线重建
关键挑战：直径从数微米到数厘米不等、树状拓扑复杂、数据噪声大

6.4 文化遗产数字化 (HBIM)

历史建筑建模：从地面激光扫描（TLS）点云中提取柱廊、拱门、雕花的参数曲线 $3$
碎片拼接：通过识别陶瓷碎片的曲线轮廓参数 → 判断是否属于同一器物 → 霍夫变换方法的天然应用
关键挑战：点云密度不均匀、风化磨损导致曲线边缘模糊

6.5 道路与交通基础设施

高速公路曲线重建 (2023) $19$ ：基于强化学习的多曲线同时拟合
铁轨检测：从车载 LiDAR 中提取钢轨中心线
隧道断面提取：环形点云 → 椭圆/圆形拟合 → 变形监测

6.6 农业与林业

果树骨架提取：PC-Skeletor 的 S-LBC 最初就是为樱桃树骨架化开发的 $32$
作物表型分析：从田间激光扫描提取植株三维结构 → 枝干曲线 → 生物量估算

7. 开源工具与数据集

7.1 核心开源库

工具	语言	功能	链接
PCL	C++	全面的点云处理库，包含 MLS 平滑、法线估计 $33$	pointclouds.org
Open3D	C++/Python	现代 3D 数据处理，可视化强大，点云 I/O	open3d.org
CGAL	C++	计算几何算法库，含 Surface Reconstruction	cgal.org
CloudCompare	C++/GUI	点云比较与处理，插件丰富	cloudcompare.org
PC-Skeletor	Python	点云曲线骨架提取（LBC + S-LBC） $11$	github.com/meyerls/pc-skeletor
pyRANSAC-3D	Python	RANSAC 三维基本体拟合 $5$	github.com/leomariga/pyRANSAC-3D
hough3d	Python	迭代三维直线 Hough 检测 $9$	pypi.org/project/hough3d
ALGLIB	C++/C#/Java	全面的曲线曲面拟合算法库 $18$	alglib.net
Learning3D	Python	深度学习点云处理库 $34$	github.com/vinits5/learning3d

7.2 深度学习开源实现

方法	发表	代码地址
DEF	SIGGRAPH 2022	github.com/artonson/def
EC-Net	ECCV 2018	(论文源码)
DeformCL	CVPR 2025	github.com/barry664/DeformCL
Point2CAD	CVPR 2024	github.com/prs-eth/point2cad
ComplexGen	SIGGRAPH 2022	(论文源码)
NerVE	CVPR 2023	dongdu3.github.io/projects/2023/NerVE/

7.3 标准数据集

数据集	规模	内容	适用任务
ABC	100 万+ CAD 模型	机械零件、参数化 B-Rep	边缘检测、曲线提取、CAD 重建
ShapeNet	5 万+ 模型	常见物体点云	语义分割、分类
ModelNet40	12,311 模型	40 类标准物体	分类基准
ScanNet	1,513 场景	真实室内 RGB-D	场景级重建
Semantic3D	40 亿+ 点	大规模室外 LiDAR	语义分割、线段提取
电力线 LiDAR	场景依赖	无人机扫描输电线走廊	电力线提取与悬链线拟合

8. 方法对比分析

8.1 综合对比表

维度	传统 NURBS	MLS	RANSAC	Hough	骨架提取	深度学习
精度	★★★★	★★☆	★★★	★★★	★★☆	★★★★★
鲁棒性	★★☆	★★★	★★★★★	★★★★	★★★	★★★★
拓扑通用性	★★	★★★	★★	★★	★★★★	★★★★★
输出参数曲线	✓	✗	部分	✓	✗	✓
计算效率	★★★★	★★	★★★	★★	★★★	★★
先验需求	高	低	中	高	低	低
训练需要	否	否	否	否	否	是
泛化能力	★★	★★★	★★	★★	★★★	★★★★
处理复杂曲线	中	中	差	中	好	最好
可解释性	高	高	高	高	高	低

8.2 选型建议

复制代码

                                     需求？
                                          |
                 ┌────────────────────────┼────────────────────────┐
                 ↓                        ↓                        ↓
          已知曲线类型              未知曲线类型              需要工业级输出
        (直线/圆/螺旋线)          (自由形态/复杂拓扑)         (B-Rep / STEP)
                 │                        │                        │
                 ↓                        ↓                        ↓
         RANSAC / Hough             深度学习方法              Point2CAD /
        (快速+可解释)            NerVE / DEF / 神经隐式      ComplexGen
                                         │
                                    是否需要参数?
                                    ┌────┴────┐
                                    ↓         ↓
                                  是          否
                                   │          │
                                   ↓          ↓
                              NerVE /    骨架提取
                              DEF        (PC-Skeletor)

8.3 实验精度参考 (霍夫变换三种方法对比)

在统一测试环境下 (i7 1.3GHz, MATLAB)：

方法	平均拟合误差 (MFE)	计算时间
投影回归平面 + HT	0.0129	5s
全局空间曲线 HT	0.0116	13s
分段多项式空间曲线 HT	0.0096	51s

分段多项式方法精度最高但速度最慢，投影方法最快但精度最低。这是经典的精度-效率权衡。

9. 未来研究方向

9.1 方法论展望

大模型/基础模型赋能

类似于 NLP 和 2D 视觉，三维基础模型（如 Point-E、3D-LLM）可能从根本上改变曲线重建范式
预训练 → 零样本曲线提取的可行性探索

概率化与不确定性量化

当前方法多为确定性输出，缺乏对拟合可信度的估计
贝叶斯深度学习 / 神经过程 → 输出曲线的后验分布

多源融合曲线重建

融合 RGB 图像 + LiDAR + 结构光 → 互补信息提升曲线重建质量
深度学习多模态 point cloud 配准 → 曲线特征作为桥梁

实时/在线曲线拟合

面向机器人导航和 AR 应用的低延迟需求
边缘计算 + 轻量网络 + 增量式曲线更新

拓扑感知曲线提取

正确识别和处理曲线的分叉、环、交叉点仍是一个开放问题
结合拓扑数据分析 (TDA) 和图神经网络 (GNN)

可解释的深度学习曲线重建

目前深度学习方法的"黑盒"特性在工程应用中面临信任挑战
结合几何先验的可解释模块 (如 NerVE 将输出约束在体素网格内)

9.2 工程落地挑战

大规模点云处理：航空 LiDAR 单次飞行可产生数十亿点，现有深度学习方法的 batch 处理面临内存瓶颈
跨域泛化：在 ABC 数据集上训练的模型能否直接迁移到医学点云 → 域自适应研究
标准化评估：缺乏统一的曲线拟合精度评估基准（不同论文使用不同度量）

10. 参考文献

$1$ Dimitrov A, Golparvar-Fard M. Non-Uniform B-Spline Surface Fitting from Unordered 3D Point Clouds for As-Built Modeling. Computer-Aided Civil and Infrastructure Engineering, 2016.

$2$ Dimitrov A, Golparvar-Fard M. Non-Uniform B-Spline Surface Fitting from Unordered 3D Point Clouds. ScienceDirect, 2016.

$3$ Ivan M, et al. Fitting Curves to Point Clouds: Targeted Approximation in HBIM Applications. Journal for Geometry and Graphics, 2025.

$4$ Zhang W. Moving Least Squares Method and its Improvement: A Systematic Review. 2025.

$5$ Mariga L. pyRANSAC-3D: A Python Tool for Fitting Primitive Shapes in 3D Point Clouds. GitHub, 2022.

$6$ Reconstruction of Power Lines from Point Clouds. arXiv:2201.12499 , 2022; Springer LNCS, 2023.

$7$ Raffo A, Biasotti S. Extending the Hough Transform to Recognize and Approximate Space Curves in 3D Models. Computer Aided Geometric Design, 2024.

$8$ Dalitz C, et al. Iterative Hough Transform for 3D Line Detection. GitHub, 2017.

$9$ hough3d Python Library. PyPI, 2024.

$10$ Cao J, et al. Point Cloud Skeletons via Laplacian-Based Contraction. IEEE SMI, 2010.

$11$ Meyer L. PC-Skeletor: Skeletonization of 3D Point Clouds. GitHub/PyPI, 2023.

$12$ Huang H, et al. L1-Medial Skeleton of Point Cloud. ACM SIGGRAPH, 2013.

$13$ Lian Z, et al. Curve Skeleton Extraction From 3D Point Clouds Through Hybrid Contraction and Clustering. Computer Graphics Forum, 2020.

$14$ 保特征的点云骨架提取算法. 图学学报, 2023.

$15$ DeformCL: Deformable Centerline-based 3D Vessel Extraction. CVPR 2025.

$16$ The Robust Vessel Segmentation and Centerline Extraction: One-stage Deep Learning Approach. MDPI J. Imaging, 2025.

$17$ Semi-Automatic Correction of 3D Tubular Structure Skeletons via Variational Optimization. ACM, 2025.

$18$ ALGLIB: Curve and Surface Fitting Library. alglib.net.

$19$ 3D Highway Curve Reconstruction from Mobile LiDAR Point Clouds. ISPRS Archives, 2023.

$20$ Graph-based Point Cloud Surface Reconstruction using B-Splines. arXiv:2509.16050, 2025.

$21$ Yu L, et al. EC-Net: an Edge-aware Point set Consolidation Network. ECCV, 2018.

$22$ EDC-Net: Edge Detection Capsule Network for 3D Point Clouds. Applied Sciences, 2021.

$23$ Matveev A, et al. DEF: Deep Estimation of Sharp Geometric Features in 3D Shapes. ACM SIGGRAPH, 2022.

$24$ Du D, et al. NerVE: Neural Volumetric Edges for Parametric Curve Extraction from Point Cloud. CVPR, 2023.

$25$ 3D Parametric Wireframe Extraction Based on Distance Fields. arXiv:2107.06165, 2021.

$26$ Implicit Curve Reconstruction with Sharp Features. Computers & Graphics, 2025.

$27$ Enhancing Surface Neural Implicits with Curvature-Guided Training. Springer LNCS, 2025.

$28$ ANIR: Adaptive Neural Implicit Representation for 3D Shape Reconstruction. CAGD, 2025.

$29$ Liu Y, Obukhov A, Wegner J D, Schindler K. Point2CAD: Reverse Engineering CAD Models from 3D Point Clouds. CVPR, 2024.

$30$ Extraction of Power Line Based on Point Cloud by Using Deep Learning. IEEE, 2024.

$31$ Automated Power Line Recognition and 3D Reconstruction. Frontiers in Energy Research, 2026.

$32$ Meyer L, et al. CherryPicker: Semantic Skeletonization and Topological Reconstruction of Cherry Trees. arXiv:2304.04708, 2023.

$33$ PCL: Point Cloud Library. pointclouds.org.

$34$ Learning3D: A Modern Library for Deep Learning on 3D Point Clouds Data. GitHub.