Marching Cubes¶

Marching Cubes: A High Resolution 3D Surface Construction Algorithm (Lorensen & Cline, 1987)

Overview

Marching Cubes (MC) 是从隐式场（SDF / 标量场）中提取三角网格表面的经典算法，诞生于医学成像领域（CT/MRI 体数据可视化），至今仍是最广泛使用的等值面提取方法。其核心思想是分治法——逐个遍历体素网格中的立方体单元，在每个单元内独立决定如何用三角片"切割"出表面。

算法四步骤¶

Step 1: 分类 (Classification)¶

对每个由 8 个相邻体素顶点组成的逻辑立方体，检查每个顶点的标量值：

值 > 等值面阈值 → 标记为"内部" (1)
值 ≤ 等值面阈值 → 标记为"外部" (0)

8 个顶点各有 0/1 两种状态，形成 8 位二进制编码，共 \(2^8 = 256\) 种可能的组合。

Step 2: 查表 (Lookup Table)¶

256 种状态中有大量等价情况。通过旋转对称性和互补对称性（内外翻转），可将所有情况归约为 15 种基本拓扑。

算法使用 8 位编码作为索引，查预计算的拓扑表，直接获取该立方体内应生成的三角形数量和连接方式。这是 MC 高效的关键——无需逐个做几何判断，查表即得。

15 种基本拓扑

从"0 个内部顶点"（无三角形）到"所有顶点均为内部"（同样无三角形），中间包含各种单面、双面、多面切割情况。每种拓扑定义了三角形应切过哪些边。

Step 3: 插值 (Interpolation)¶

查表确定三角形切过哪些边后，需要在边上找到精确切点。使用线性插值：

\[ P = P_1 + \frac{\text{Iso} - V_1}{V_2 - V_1}(P_2 - P_1) \]

其中 \(P_1, P_2\) 是边的两个端点坐标，\(V_1, V_2\) 是对应标量值，\(\text{Iso}\) 是等值面阈值。

这一步将顶点限制在网格边上——这正是 MC 无法表达锐利特征的根本原因。

Step 4: 法线计算¶

通过标量场在切点处的梯度估算表面法线：

\[ \mathbf{n} = \nabla f = \left(\frac{\partial f}{\partial x}, \frac{\partial f}{\partial y}, \frac{\partial f}{\partial z}\right) \]

梯度通常用中心差分近似。法线信息用于后续的光照渲染。

MC 的优势¶

优势	说明
简单高效	查表 + 插值，逻辑清晰，实现简单
天然并行	每个立方体独立处理，可高度并行化（GPU 友好）
保证水密性	相邻立方体共享边上的切点，网格自然闭合
通用性强	适用于任何标量场——SDF、密度场、CT 数据等

MC 的局限性¶

特征丢失¶

顶点只能出现在网格的边上，无法偏移到体素内部。结果：

锐利边缘被削成倒角（chamfer）
尖角被磨平
几何细节受限于网格分辨率

Sliver Triangles（退化三角形）¶

当等值面恰好接近某个顶点时，插值点极度靠近端点，产生极细长的三角形。这类三角形：

渲染时可能出现视觉伪影
物理模拟中导致数值不稳定
下游处理（简化、参数化）困难

不可微性¶

MC 的核心操作——查表确定拓扑——是一个离散跳变过程。当 SDF 值发生微小变化导致某个顶点的符号翻转时，拓扑类型突变，三角形数量和连接方式瞬间改变。

\[ \text{SDF 连续变化} \xrightarrow{\text{符号翻转}} \text{拓扑突变} \rightarrow \text{梯度不存在} \]

AI 时代的最大痛点

不可微性意味着 MC 无法嵌入深度学习的端到端训练管线。无法通过反向传播优化 SDF，因为梯度在拓扑变化处断裂。这直接催生了 FlexiCubes 等可微替代方案。

变体与改进¶

变体	改进方向
Marching Tetrahedra	用四面体代替立方体，消除歧义情况
Dual Marching Cubes (DMC)	将顶点放在体素内部（对偶方法），可更好贴合形状
Extended Marching Cubes	利用 Hermite 数据（梯度信息）保留锐利特征
Neural MC / Neural Dual Contouring	用神经网络预测切点位置，提升质量

在 3D 生成中的角色¶

尽管存在不可微的局限，MC 在现代 3D 生成管线中仍然广泛使用：

推理阶段提取：训练完成后，用 MC 从学到的 SDF/密度场中提取最终 Mesh（此时不需要梯度）
VecSet 系列（如 Direct3D）：模型直接生成 SDF 网格值，推理时用 MC 提取表面
对比基线：在可微 pipeline 中，MC 常作为 FlexiCubes 的对比方法

当 pipeline 不需要"通过网格反传梯度"时，MC 的简单、高效、稳定仍是最优选择。

一句话总结¶

Marching Cubes 是对标量场的机械式翻译——给什么数据就按固定规则切什么三角形。简单可靠、但无法学习、无法优化，在需要端到端可微的现代 AI pipeline 中让位于 FlexiCubes 和 DMTet 等可微替代方案。