对称性是三维几何处理中最常见的结构规律之一。无论是建模软件里的人体模型、机械零件，还是扫描得到的文物点云，绝大多数实际数据都带有某种对称特征。准确检测出这些对称性，可以服务于网格去噪、孔洞修复、纹理重投影以及模型检索等众多任务。3D模型的对称性通常分为两类：全局对称性指整个模型相对于某个平面、轴或点满足某种变换不变性；局部对称性则只出现在模型的某个子区域，比如人脸模型上的左右耳、建筑物表面的重复窗户。两类问题的检测思路差别很大，下面分别展开。
对称性的数学定义与分类
在几何处理的语境下，一个模型M的对称性可以形式化描述为一个变换T，使得T(M)与M在某种度量下重合。常见的变换类型包括平面反射、旋转变换、平移变换以及它们的组合。如果用距离函数d来衡量两个形状的差异，全局对称性要求d(T(M), M)趋近于零，而局部对称性只要求在某个子区域S上满足d(T(S), S∩T(S))很小。
按照变换类型细分，平面反射对称是最常见的形式，也就是常说的镜像对称，例如绝大多数生物模型都具有近似的左右对称平面。旋转对称则出现在花瓶、齿轮这类模型上，一个模型可能同时具有n重旋转对称性。此外还有平移对称，多见于周期性结构如栏杆、栅格，但这类对称在封闭网格上几乎不存在，主要出现在无限延展的场景或扫描片段中。
需要注意的是，实际数据中的对称性几乎从来不是完美的。扫描噪声、拓扑破洞、局部变形都会破坏严格对称，因此检测算法必须容忍一定的误差，这就引出了近似对称性的概念：给定误差阈值ε，只要d(T(M), M)小于ε就认为该变换是一个有效对称。
全局对称性检测的主流思路
全局对称性检测最经典的做法是基于变换空间采样。以平面反射对称为例，一个反射平面可以用法向量和偏移量共三个自由度描述，算法在这个参数空间中均匀采样候选平面，对每个候选平面计算模型与它的镜像之间的距离，取误差最小的候选作为检测结果。这种方法实现简单、容易并行，但精度受采样密度限制，通常需要配合后续的优化步骤精修结果。
第二种思路是主轴对齐。先计算模型的惯性矩阵或PCA主成分，模型的对称平面往往与某个主轴正交或包含某个主轴。对于近似刚体且分布均匀的模型，对称平面法向大概率与第一或第二主成分方向平行，这样可以把三维搜索问题降为一维或二维，大幅减少计算量。不过当模型各部分密度不均或姿态倾斜时，主轴可能偏离真实对称轴，需要谨慎使用。
第三种是基于特征点匹配的方法。先提取模型上稳定的特征点，例如形状直径函数极值点、热核签名描述子的峰值点，再在特征点对之间寻找满足反射关系的候选变换，最后通过投票或聚类确定最优平面。这类方法对噪声和局部缺失更鲁棒，是目前学术研究中的主流方向。下面给出一个简化的投票框架示例代码：
// 基于特征点对投票的反射对称检测（简化版）
std::vector<Vec3> keypoints = extractKeypoints(mesh, 0.02); // 采样率为2%
std::map<Plane, int> votes;
for (int i = 0; i < keypoints.size(); ++i) {
for (int j = i + 1; j < keypoints.size(); ++j) {
// 反射平面由点对中点和连线法向确定
Vec3 mid = 0.5 * (keypoints[i] + keypoints[j]);
Vec3 normal = keypoints[i] - keypoints[j];
if (normal.length() < 1e-6) continue;
Plane candidate(mid, normal.normalized());
votes[quantize(candidate)]++; // 量化后累积票数
}
}
Plane best = argmax(votes); // 票数最高的平面即候选对称面
refine(mesh, best); // 局部优化提升精度
投票过程中对平面参数做量化是关键一步，否则同一个对称面会因浮点误差散落在许多相邻桶里，票数被稀释。常见的做法是把法向映射到半球后按经纬度分格，偏移量按固定步长取整。得到候选平面后，再利用非线性优化，例如高斯牛顿法，以点到面距离为目标函数进行精修，通常可以将精度提升一个数量级。
局部对称性检测的难点与方法
局部对称性检测远比全局情形复杂，核心难点在于我们事先不知道对称区域在哪里，也不知道它的大小和形状。如果把全局方法直接套用到局部问题上，会产生大量误检：只要模型上存在任意一对相似的凸起，几乎总能找到一个让它们互为镜像的平面。因此局部方法必须引入额外约束来抑制虚假匹配。
一种有效策略是基于区域生长的检测。先在模型表面选取种子区域，统计种子区域的几何特征描述子，例如形状上下文、内在形状签名，然后在剩余表面搜索特征相似的区域，尝试建立刚体或反射对应。若对应区域的测地邻域也能保持一致，就将其扩展为候选对称对。这种方法对重复结构检测效果不错，典型应用是检测建筑立面上的重复窗户、神庙模型上的重复柱式。
另一种思路是先做对称性投票再做区域提取。与全局方法不同，这里保留所有票数超过阈值的候选变换，对每个变换分析它对应的有效区域：将模型上变换后邻域仍然落在模型表面的顶点集合取出，形成对称支持集，支持集的连通分量就是局部对称区域。这个思路的优势在于一次计算可以同时得到所有对称类型和位置，代价是计算量和内存开销较大。
衡量局部对应是否可靠时，两个几何量特别有用：一是法向一致性，对应点处的法向量经变换后应基本重合；二是测地距离保持性，区域内任意点对的测地距离在变换前后应近似相等。测地距离比欧氏距离更能反映表面的内在结构，能有效排除表面凹陷导致的伪匹配。
应用场景与选型建议
在网格去噪和修复任务中，全局对称性常被用来镜像拷贝完好一侧的数据去填补破损一侧，这是文物数字化保护的常用手段。此时对对称平面的精度要求很高，平面偏差一点就可能导致填补区域出现明显接缝，建议在粗检测后务必加上优化精修步骤。
在模型压缩与重网格化中，局部对称性可以用来发现重复单元，只需存储一份几何加一个变换列表即可大幅缩减数据量。而在形状检索与分类里，对称性描述子本身就是重要的特征输入，一个模型的对称群信息能够刻画其整体结构类别。
选型上可以遵循这样的原则：如果模型是单个刚体且预计只存在一两个对称面，优先使用主轴对齐加特征投票的组合方案，速度快且稳定；如果模型包含大量重复子结构，或者目标本身就是发现重复元素，则应选择基于支持集分析的局部方法。无论哪种方案，都要根据数据噪声水平合理设置误差阈值，阈值过小会漏检，过大则误检泛滥，实际项目中建议先在一小批标注数据上做参数标定，再批量处理。