先了解泊松分布，就二项分布而言，泊松分布可以是二项分布的推广，样本数趋向于无穷大，而事件发生的概率趋近于0时，此时期望满足np=Lamda(常数)，且此时事件发生的概率满足泊松分布，且概率的计算只与Lamda有关
但泊松方程和泊松分布没啥关系，hh
引用知乎二圈妹
梯度：表示该函数在某位置出的变化大小和方向，对函数求一阶偏导即可计算得出
散度：为标量，只有大小，但散度给我们的是一个向量场，标量的大小代表该点是否逸出，对函数的每个变量求二阶偏导。
注：nabla运算符：表示向量的偏导数运算符
向量场：向量场就是该函数梯度的表现形式，告诉我们空间中每一个位置（样本点）在这个函数中的变化大小和方向。
画向量场，一般用箭头表示它的指向，箭头长度表示它的大小，但是因为如果画出实际的大小可能会很乱，所以有些是用颜色来代表大小，越暖（红）就是此处的向量越大，越冷（蓝）就是越小。
泊松三维重建问题 (全局拟合)
泊松三维重建问题即指标函数梯度寻找最接近样本向量场问题；
即样本向量场标量与指标函数的梯度最小值，构建泊松方程，对梯度和向量场标量用散度算子，即可得出泊松方程
指标函数：通常为分段函数，模型外部点为0，内部点为1，对于指标函数，只有模型边界点存在梯度，模型内外梯度皆为0。这些边界点即有向点可视为指标函数梯度的样本。
计算指示函数：对于指示函数，由于是分段函数，计算梯度场时会导致边界处产生无界值的向量场。为避免此情况，需进行平滑滤波器进行卷积滤波指示函数，并考虑平滑函数的梯度场，一下公式为平滑滤波后的指示函数梯度=平滑曲面法向量的向量场：
将点集划分为不同大小补丁进行积分（面积）求和，用离散和近似积分来求曲面积分。
注意：平滑滤波器不可任意选择，应足够窄，不可过度平滑数据，同时应足够宽，使积分更加近似与补丁面积，通常选择方差与采样分辨率相同的高斯滤波。
最大树深度D对应于2−D的采样宽度，平滑滤波器应该近似于方差为2−D的iel
对于非均匀分布的点进行三维重建
根据样本点轮廓定义一个八叉树，并将每个节点关联一个函数，目的：
1.将向量场可以表示为节点函数F0的线性和；
2.用节点函数F0表示泊松方程的矩阵可以有效求解；
3.作为节点函数F0总和的指标函数可以在模型表面精确有效评估。
结论：
分辨率：深度增加，需要更高分辨率的指示函数，来重建细节。（6-643；8-2563；10-10243）
优势对比：VRIP 折痕明显（垂直于视图方向重建）；fft非均匀数据重建采样稀疏，易丢失高频信息。
