# 從二維總量到一維歪線：一種量度守恆的幾何展開框架

## ——兼論 Lebesgue 萬有覆蓋問題中的形狀還原、拓撲纖維與歪度表示

**作者：Neo.K**\
**研究性質：概念論文／方法論草案**\
**版本：v0.1**

***

## 摘要

本文提出一種尚處於早期階段的幾何表示構想：對任意有限二維集合，先將其總量度歸一化為一，再嘗試把原本分布於二維平面中的總容量，重新展開、排序或編碼為一維線性結構。本文稱此過程為「二維總量的一維幾何展開」。

本方法的核心目的，不是將圖形邊界簡單攤平，也不是把圖形投影到某一坐標軸，更不是把二維集合粗暴壓縮成單一實數。相反地，本文希望在總量守恆的前提下，把圓形、正方形、三角形、星形、非凸形、不規則集合、含洞集合等不同二維幾何對象，統一表示為某種總量為一的一維線結構。不同圖形之間的幾何差異，則不再只以面積、周長、直徑或單一距離值描述，而是轉化為一維線上的局部密度變化、彎曲、偏移、分岔、斷裂、重接、拓撲事件與多尺度歪度。

本文首先建立「集合總量歸一」的基本框架，令任意有限測度集合 $\Omega\subset\mathbb R^2$ 滿足

$$
\widehat{\mu}_\Omega(\Omega)=1.
$$

接著引入抽象展開算子

$$
\mathfrak U:\Omega\mapsto \mathcal L_\Omega,
$$

使得二維集合被重新表示為一維參數域上的幾何—拓撲結構。最簡單的參數底空間可取

$$
I=[0,1],
$$

其中參數 $s\in[0,1]$ 不必首先理解為歐氏長度，而可理解為「已累積總量比例」。因此，(s=0.3) 的意義不是必然代表某個坐標位置，而可能代表原集合總容量的前三成已被某種展開規則消耗、遍歷或重新排序。

在此基礎上，本文區分「直線基準」與「歪線表示」。若純總量展開以

$$
L_0(s)=(s,0)
$$

作為無結構基準，則實際圖形可表示為

$$
L_\Omega(s)=
\bigl(
s,
K_\Omega(s)
\bigr),
$$

其中 (K\_\Omega(s)) 不應僅被視為傳統誤差，而可理解為原始二維幾何在一維展開過程中所產生的結構性偏離。進一步而言，真正完整的歪線可能不是單值函數，而是

$$
\mathbf K_\Omega(s)

\left(
K_{\mathrm{cap}},
K_{\mathrm{conn}},
K_{\mathrm{gap}},
K_{\mathrm{cent}},
K_{\mathrm{curv}},
K_{\mathrm{branch}},
K_{\mathrm{scale}},
\dots
\right),
$$

亦即由容量、連通性、間隙、質心偏移、曲率、分岔與尺度資訊共同構成的多分量一維狀態。

本文特別討論此框架與 Lebesgue 萬有覆蓋問題之可能關係。傳統問題要求尋找面積盡可能小的平面集合，使所有直徑不超過一的集合皆可經剛體運動置入其中。本文提出一個新的研究方向：與其直接在巨大且高度非線性的二維形狀空間中比較無窮多個集合，不如先研究能否把所有候選集合轉換為一維歪線族，並在一維表示空間中尋找支配關係、嵌入條件、極端形態、不可同時滿足的拓撲事件與有限證書。

本文不宣稱已解決 Lebesgue 萬有覆蓋問題，也不宣稱任意二維集合均存在唯一、連續、可逆且保拓撲的一維展開。本文的目的，是提出一套新的研究語言：將「二維形狀比較」部分轉化為「一維總量展開後的結構比較」，並為後續拓撲幾何、幾何測度、計算幾何、幾何代數、多尺度分析與歪度計算建立共同接口。

**關鍵詞：** 二維量度、一維展開、歪線、歪度計算、拓撲纖維、形狀空間、幾何降維、容量守恆、Lebesgue universal covering problem、萬有覆蓋

***

# 1. 問題的起點

幾何問題經常以形狀為起點。

例如：

* 圓是一種形狀；

* 正方形是一種形狀；

* 三角形是一種形狀；

* 星形是一種形狀；

* 任意凸體是一種形狀；

* 含洞集合是一種形狀；

* 高度不規則的分形近似體亦是一種形狀。

在傳統歐氏直覺中，我們通常直接於二維平面比較這些對象。若兩個圖形不同，我們可能比較：

$$
A(\Omega),
$$

即面積；

或比較：

$$
P(\Omega),
$$

即周長；

或比較直徑：

$$
\operatorname{diam}(\Omega);
$$

亦可能比較 Hausdorff 距離、支撐函數、曲率、慣性矩、凸包、拓撲型、Betti 數、邊界正則性或各種幾何不變量。

這些方法均有價值。

然而，它們往往面對同一個根本困難：

> 二維形狀空間本身非常巨大。

當研究對象從有限幾個圖形擴張到「所有滿足某條件的集合」時，問題便迅速惡化。

Lebesgue 萬有覆蓋問題正是一個典型例子。

我們需要研究：

$$
\mathcal A

{
A\subset\mathbb R^2:
\operatorname{diam}(A)\le1
}.
$$

這不是一個有限圖形列表。

它包含無窮多種形狀：

* 線段型；

* 細長型；

* 接近三角形；

* 接近常寬體；

* 高度不對稱；

* 非光滑；

* 非凸，但其凸包仍受直徑限制；

* 各種極端近似；

* 各種無限逼近序列。

若直接在二維形狀空間中處理所有對象，研究者必須同時處理：

$$
\text{位置}
+
\text{旋轉}
+
\text{形狀}
+
\text{局部邊界}
+
\text{全局拓撲}
+
\text{無窮樣本}.
$$

因此，本文提出一個不同的問題：

> 是否可以先把二維集合的總量重新還原為一維？

不是把輪廓畫成一條線。

不是只取投影。

不是只取某個截面。

而是把整個二維容量，依某種規則，重新展開成一維總量。

***

# 2. 核心直覺：所有有限形狀先視為「一」

令：

$$
\Omega\subset\mathbb R^2
$$

為可測集合，並假設：

$$
0<\mu_2(\Omega)<\infty.
$$

其中 $\mu_2$ 表示二維測度，例如通常的平面面積。

首先定義歸一化測度：

$$
\widehat{\mu}_\Omega(E)

\frac{\mu_2(E\cap\Omega)}
{\mu_2(\Omega)}.
$$

則：

$$
\widehat{\mu}_\Omega(\Omega)=1.
$$

此時，無論原始圖形為：

$$
\Omega_\square,
\quad
\Omega_\circ,
\quad
\Omega_\triangle,
\quad
\Omega_\star,
$$

我們都有：

$$
\widehat{\mu}_{\square}(\Omega_\square)

\widehat{\mu}_{\circ}(\Omega_\circ)

\widehat{\mu}_{\triangle}(\Omega_\triangle)

\widehat{\mu}_{\star}(\Omega_\star)

1.

$$

因此，在第一層總量意義上：

$$
\boxed{
\text{Square}

\text{Circle}

\text{Triangle}

\text{Star}

1
}
$$

此式當然不表示這些集合幾何同構。

它只表示：

> 當我們暫時忽略原始尺度，而只比較歸一後的總容量時，每一個有限非零集合均可先被視為一個完整單位。

這個「一」是後續一維展開的起點。

***

# 3. 為何要先歸一為一

若不先歸一，形狀差異與大小差異會混在一起。

例如：

* 面積 100 的圓；

* 面積 1 的正方形；

* 面積 0.01 的星形。

若直接比較，許多量首先反映的只是尺度。

然而本文關心的是：

> 同一總量如何以不同二維幾何方式存在？

因此應先消去純尺度效應。

令：

$$
\mu(\Omega)=1.
$$

此後真正需要研究的是：

$$
\text{同樣的 1，如何被分布？}
$$

對圓而言，這個一可能高度集中於中心區域的寬截面。

對三角形而言，這個一可能隨某方向呈近似單調增長或減少。

對星形而言，這個一可能在多個尺度出現尖峰、分岔與回縮。

對含洞集合而言，這個一可能在部分位置出現拓撲分裂，再重新合併。

因此：

$$
1
$$

不是結束。

相反地：

$$
1
$$

只是把所有形狀拉回共同起點。

***

# 4. 從二維總量到一維參數域

本文引入抽象展開算子：

$$
\mathfrak U.
$$

令：

$$
\mathfrak U:
(\Omega,\widehat\mu_\Omega)
\longmapsto
\mathcal L_\Omega.
$$

其中：

$$
\mathcal L_\Omega
$$

是某種一維表示。

最基本參數域可取：

$$
I=[0,1].
$$

令：

$$
s\in[0,1].
$$

但必須特別強調：

> (s) 不必首先是空間距離。

它更自然的理解是：

$$
s
=

\text{累積總量比例}.
$$

例如：

$$
s=0.1
$$

表示展開規則已處理原集合總量的百分之十。

$$
s=0.5
$$

表示已處理百分之五十。

$$
s=1
$$

表示全部總量已被展開。

因此，最基本的守恆要求為：

$$
\int_0^1 d s=1.
$$

更一般地，可令一維展開帶有密度：

$$
\rho_\Omega(s)\ge0,
$$

並要求：

$$
\int_0^1
\rho_\Omega(s),ds

1.

$$

此時原本的二維總量：

$$
\iint_{\Omega}
d\mu_2
$$

被轉寫為：

$$
\int_0^1
\rho_\Omega(s),ds.
$$

形式上：

$$
\boxed{
\text{2D total capacity}
\rightarrow
\text{1D accumulated capacity}
}
$$

***

# 5. 這不是普通投影

必須嚴格區分本文構想與普通投影。

對方向：

$$
u\in S^1
$$

普通投影可以寫成：

$$
\pi_u(x)

\langle x,u\rangle.
$$

則：

$$
\pi_u(\Omega)
\subset\mathbb R.
$$

然而普通投影通常會發生資訊重疊。

若二維中兩個不同點：

$$
x_1\ne x_2
$$

滿足：

$$
\langle x_1,u\rangle

\langle x_2,u\rangle,
$$

則它們在投影中重合。

因此：

$$
\pi_u
$$

本身通常不是本文所要求的完整展開。

本文的核心不是：

$$
\Omega
\to
\pi_u(\Omega),
$$

而是：

$$
(\Omega,\mu)
\to
\text{一個能表達總量如何被消耗的一維結構}.
$$

投影可以成為展開算法的一部分，但不是全部。

***

# 6. 這也不是邊界攤平

另一個容易混淆的概念是把邊界：

$$
\partial\Omega
$$

依弧長參數化。

若邊界長度為：

$$
P(\Omega),
$$

可令：

$$
\gamma:
[0,P(\Omega)]
\to
\partial\Omega.
$$

這確實把二維平面中的封閉曲線表示為一維參數。

然而，它只處理：

$$
\partial\Omega.
$$

本文關心的是：

$$
\Omega
$$

本身。

亦即整個二維容量。

因此本文不是：

$$
\partial\Omega
\to
[0,1],
$$

而是：

$$
\boxed{
\Omega
\to
[0,1]
}
$$

在此過程中，內部面積不可被忽略。

***

# 7. 第一種原型：掃描式容量展開

雖然本文不預設唯一展開方法，但可以先提出最直觀原型。

選定方向：

$$
u\in S^1.
$$

令正交方向為：

$$
u^\perp.
$$

對任意位置 (t)，考慮截面：

$$
F_t

\Omega
\cap
{
x:
\langle x,u\rangle=t
}.
$$

若截面可測，定義其一維總長：

$$
w_{\Omega,u}(t)

\mathcal H^1(F_t).
$$

則在適當條件下：

$$
\mu_2(\Omega)

\int
w_{\Omega,u}(t),dt.
$$

歸一後：

$$
\int
\widehat w_{\Omega,u}(t),dt

1.

$$

其中：

$$
\widehat w_{\Omega,u}(t)

\frac{
w_{\Omega,u}(t)
}{
\mu_2(\Omega)
}.
$$

此時可定義累積容量：

$$
S_{\Omega,u}(t)

\int_{-\infty}^{t}
\widehat w_{\Omega,u}(\tau),d\tau.
$$

則：

$$
S_{\Omega,u}(t)\in[0,1].
$$

若其廣義逆存在，可令：

$$
t=T_{\Omega,u}(s).
$$

如此，原本沿二維集合分布的面積，便可透過累積參數：

$$
s\in[0,1]
$$

重新排列。

這是一種最簡單的：

$$
2D\to1D
$$

總量展開。

***

# 8. 圓、方形與三角形的差異將變成一維容量曲線

考慮相同面積、不同形狀的集合。

## 8.1 正方形

若掃描方向平行於一組邊，則其截面寬度可在主要區間保持常數：

$$
w_\square(t)
\approx
c.
$$

因此其容量消耗速率接近均勻。

累積函數近似線性：

$$
S_\square(t)
\approx
at+b.
$$

## 8.2 圓形

若半徑為 (R)，沿水平軸掃描，則截面長度為：

$$
w_\circ(t)

2\sqrt{R^2-t^2}.
$$

其中央較寬，兩端較窄。

因此容量分布不是均勻。

## 8.3 三角形

適當方向下，截面寬度可能呈線性變化：

$$
w_\triangle(t)
\sim
at+b.
$$

因此累積容量可能呈二次結構。

## 8.4 星形

星形可能出現多次局部增大與減小：

$$
w_\star(t)
$$

包含多峰。

因此即使所有圖形均滿足：

$$
\int w(t),dt=1,
$$

其一維容量形狀仍明顯不同。

這正是本文的基本意圖：

> 把二維圖形差異轉化為一維線的差異。

***

# 9. 直線作為零階基準

若所有總量均被展開為：

$$
[0,1],
$$

則最簡單的理想基準為：

$$
L_0(s)

(s,0).
$$

這條線代表：

* 無局部密度偏移；

* 無分岔；

* 無拓撲事件；

* 無局部集中；

* 無多尺度振盪。

它不是某個具體二維圖形。

而是一種：

> 「純總量一維化」的零階參考。

因此，對任意圖形：

$$
\Omega,
$$

可令其展開線為：

$$
L_\Omega(s).
$$

定義最初步歪度：

$$
K_\Omega(s)

L_\Omega(s)-L_0(s).
$$

若 $L_\Omega$ 以平面曲線表示：

$$
L_\Omega(s)

(s,y_\Omega(s)),
$$

則：

$$
K_\Omega(s)

y_\Omega(s).
$$

此時：

$$
K_\Omega(s)=0
$$

代表完全貼合直線基準。

而：

$$
K_\Omega(s)\ne0
$$

代表原二維結構在一維展開後產生偏離。

***

# 10. 為何稱為「歪線」

「歪線」在本文中並非單純指曲線。

一條曲線可能只是任意函數圖形。

本文的歪線具有更強意義：

> 它是二維幾何結構相對於一維均勻總量基準的偏離記錄。

因此，歪度可以來自：

* 局部容量集中；

* 寬度變化；

* 多分支截面；

* 幾何不對稱；

* 質心漂移；

* 尖角；

* 洞；

* 邊界曲率；

* 局部高頻結構；

* 多尺度粗糙性；

* 方向依賴性。

換句話說：

$$
\boxed{
\text{歪}
\ne
\text{單純彎曲}
}
$$

而是：

$$
\boxed{
\text{歪}

\text{原始結構相對基準展開的多維偏離}
}
$$

***

# 11. 單一歪度值可能不足

若只定義：

$$
K(\Omega)\in\mathbb R,
$$

則大量不同形狀可能被壓縮到非常接近的數值。

例如：

$$
K(\Omega_1)=0.0074,
$$

$$
K(\Omega_2)=0.0075,
$$

$$
K(\Omega_3)=0.0076.
$$

然而三個圖形可能在局部結構上完全不同。

因此本文主張：

> 新的歪度方法不應首先追求單一總分。

更合理的是保留整條函數：

$$
K_\Omega(s).
$$

甚至保留多分量：

$$
\mathbf K_\Omega(s).
$$

例如：

$$
\mathbf K_\Omega(s)

\left(
K_1(s),
K_2(s),
\dots,
K_m(s)
\right).
$$

這使形狀比較從：

$$
\mathbb R
$$

提升到：

$$
\mathcal F([0,1],\mathbb R^m).
$$

即函數空間。

***

# 12. 只記截面總長仍不足

考慮兩個截面。

第一種：

$$
F_t

I_1\cup I_2.
$$

第二種：

$$
G_t

J.
$$

假設：

$$
\mathcal H^1(I_1)
+
\mathcal H^1(I_2)

\mathcal H^1(J).
$$

則：

$$
w_F(t)=w_G(t).
$$

然而：

$$
F_t
$$

有兩個連通分量。

而：

$$
G_t
$$

只有一個。

所以：

$$
\text{相同容量}
\not\Rightarrow
\text{相同拓撲}.
$$

這正是拓撲資訊必須加入的原因。

***

# 13. 纖維觀點

對掃描函數：

$$
f_u(x)

\langle x,u\rangle,
$$

考慮纖維：

$$
F_t

f_u^{-1}(t)\cap\Omega.
$$

每個 $F_t$ 都是一個截面集合。

對不同 (t)，其結構可能變化。

例如：

* 一個區間；

* 兩個區間；

* 三個區間；

* 空集合；

* 分裂；

* 合併。

因此，本文提出：

> 一維展開不應只記「截面有多長」，還應記「截面由什麼組成」。

可定義：

$$
n_\Omega(t)

\#\pi_0(F_t),
$$

其中：

$$
\pi_0
$$

表示連通分量。

則：

$$
n_\Omega(t)=1
$$

代表單連續截面。

$$
n_\Omega(t)=2
$$

代表兩個分離分支。

如此，星形、月牙形、雙葉形、含洞形將呈現不同的拓撲歪線。

***

# 14. 拓撲事件

隨著 (t) 改變，纖維可能發生事件。

例如：

## 出生

$$
0\to1
$$

某個新分支出現。

## 分裂

$$
1\to2.
$$

## 合併

$$
2\to1.
$$

## 消失

$$
1\to0.
$$

## 多重重組

$$
2\to3,
\quad
3\to2.
$$

因此可定義事件集合：

$$
\mathcal E_\Omega

{
e_1,e_2,\dots
}.
$$

每個事件包含：

$$
e_j

(s_j,\tau_j,\omega_j),
$$

其中：

* $s_j$ ：事件發生於總量展開的哪個位置；

* $\tau_j$ ：事件類型；

* $\omega_j$ ：事件強度。

此時一個二維集合可轉化為：

$$
\boxed{
\text{容量線}
+
\text{拓撲事件序列}
}
$$

***

# 15. 一維歪線應可能是向量值

本文因此提出第一版廣義表示：

$$
\mathbf L_\Omega(s)

\left(
s,
\rho(s),
n(s),
g(s),
c(s),
q(s),
\kappa(s),
\dots
\right).
$$

其中可包括：

### 容量密度

$$
\rho(s).
$$

### 連通分量

$$
n(s).
$$

### 間隙函數

$$
g(s).
$$

### 質心偏移

$$
c(s).
$$

### 粗糙度

$$
q(s).
$$

### 曲率代理

$$
\kappa(s).
$$

因此歪度亦成為：

$$
\mathbf K_\Omega(s)

\mathbf L_\Omega(s)

\mathbf L_0(s).
$$

這不是普通向量減法的最終定義。

它只是指出：

> 歪度的自然對象很可能是函數、曲線、場或拓撲標記，而非單一標量。

***

# 16. 多方向展開

單一掃描方向存在明顯限制。

例如，同一個長方形沿長軸掃描與沿短軸掃描會得到不同結果。

因此應引入方向參數：

$$
u\in S^1.
$$

得到：

$$
\mathbf L_\Omega(s;u).
$$

或者：

$$
\mathbf K_\Omega(s;u).
$$

此時二維集合被轉化為：

$$
[0,1]\times S^1
$$

上的歪度場。

即：

$$
\boxed{
\Omega
\to
\mathbf K_\Omega(s,\theta)
}
$$

其中：

$$
\theta\in[0,2\pi).
$$

這已不是普通一條線。

而是：

> 一族一維歪線。

然而其重要意義是：

每一條成員仍是一維。

我們可以在一維結構上研究：

* 最大歪度；

* 最小歪度；

* 相位；

* 極端方向；

* 方向穩定性；

* 方向間拓撲事件。

***

# 17. 方向最小化與旋轉不變性

若希望比較形狀時消除旋轉，可考慮：

$$
D(\Omega_1,\Omega_2)

\inf_{\theta}
d
\left(
\mathbf L_{\Omega_1}(\cdot),
\mathbf L_{\Omega_2}(\cdot;\theta)
\right).
$$

或者：

$$
D_{\mathrm{rot}}

\inf_{R\in SO(2)}
D
\left(
\Omega_1,
R\Omega_2
\right).
$$

在一維展開表示中，這可能變成：

$$
D_{\mathrm{rot}}

\inf_{\phi}
d
\left(
\mathbf K_1(s,\theta),
\mathbf K_2(s,\theta+\phi)
\right).
$$

因此原本二維旋轉對齊，有機會轉化為：

$$
\theta
$$

方向參數上的相位平移。

這對計算可能非常重要。

***

# 18. 平移如何處理

若展開只依賴內在形狀或相對截面，平移可自然消去。

例如先令：

$$
\bar x_\Omega

\frac{1}{\mu(\Omega)}
\int_\Omega
x,d\mu.
$$

再中心化：

$$
\Omega^\circ

\Omega-\bar x_\Omega.
$$

如此：

$$
\Omega
$$

與：

$$
\Omega+t
$$

得到相同中心化形狀。

因此：

$$
\mathbf L_{\Omega+t}

\mathbf L_\Omega
$$

可作為設計目標。

然而在 Lebesgue 萬有覆蓋問題中，平移本身是容許的嵌入自由度，因此是否完全消除平移，應依後續用途決定。

***

# 19. 一維化不代表拓撲同胚

本文必須避免一個嚴重誤解。

對一般二維集合：

$$
\Omega\subset\mathbb R^2,
$$

不存在理由認為其能與：

$$
[0,1]
$$

拓撲同胚。

例如圓盤：

$$
D^2
$$

不是區間：

$$
[0,1].
$$

因此本文的「還原為一維」不是聲稱：

$$
\Omega\cong[0,1].
$$

而是：

$$
\boxed{
\Omega
\rightsquigarrow
\text{一維表示}
}
$$

表示關係與同胚關係不同。

本文所研究的是：

* 編碼；

* 展開；

* 排序；

* 容量重新參數化；

* 結構映射。

而不是：

$$
\text{2D topology}

\text{1D topology}.
$$

***

# 20. 可逆性問題

一個重要問題是：

> 能否從一維歪線唯一重建原圖形？

目前本文不預設答案為肯定。

可區分四個層級。

## 第一層：不可逆摘要

$$
\Omega
\to
L_\Omega.
$$

不同圖形可能映射到相同線。

## 第二層：有限等價類

$$
L_{\Omega_1}=L_{\Omega_2}
$$

只代表兩者屬於某種展開等價類。

## 第三層：加入多方向後近似可逆

$$
{
L_\Omega(\cdot;u)
}_{u\in S^1}
$$

可能保留更多資訊。

## 第四層：加入拓撲事件與局部標記

完整狀態：

$$
\mathbf L_\Omega
$$

可能在特定集合類別內達到唯一性。

因此，可逆性不是前提，而是後續研究問題。

***

# 21. 等價類

定義：

$$
\Omega_1
\sim_{\mathfrak U}
\Omega_2
$$

若：

$$
\mathfrak U(\Omega_1)

\mathfrak U(\Omega_2).
$$

則所有二維集合依展開算子被分類成等價類：

$$
[\Omega]_{\mathfrak U}.
$$

這可能非常重要。

因為在某些問題中，我們未必需要區分所有形狀。

若兩個集合對萬有覆蓋條件具有相同作用，則把它們視為同類反而可大幅降維。

因此真正目標未必是：

$$
\text{完美重建每個圖形}.
$$

更可能是：

$$
\boxed{
\text{保留與目標問題相關的區分能力}
}
$$

***

# 22. 任務相依展開

本文因此主張：

> 一維展開算子可能是任務相依的。

對形狀辨識：

$$
\mathfrak U_{\mathrm{class}}.
$$

對面積優化：

$$
\mathfrak U_{\mathrm{area}}.
$$

對剛體包含：

$$
\mathfrak U_{\mathrm{contain}}.
$$

對 Lebesgue 萬有覆蓋：

$$
\mathfrak U_{\mathrm{LUC}}.
$$

不應假設單一展開算子適合所有問題。

因此：

$$
\mathfrak U
$$

本身是一個需要設計、優化與證明的數學對象。

***

# 23. 與歪度計算的結合

既有歪度方法通常由生成量與校正量的差開始：

$$
K=P-C.
$$

本文把這一思想移植到幾何展開。

令：

$$
L_0
$$

為基準線。

令：

$$
L_\Omega
$$

為實際展開。

則：

$$
K_\Omega

L_\Omega\ominus L_0.
$$

其中：

$$
\ominus
$$

不必是普通減法。

若線結構包含：

* 拓撲事件；

* 分支；

* 向量值；

* 多尺度特徵；

則應使用廣義差：

$$
\ominus_{\mathcal G}.
$$

因此：

$$
K_\Omega

L_\Omega
\ominus_{\mathcal G}
L_0.
$$

***

# 24. 一階、二階與高階歪度

若：

$$
K_\Omega(s)
$$

具有適當正則性，可定義：

$$
V_\Omega(s)

\frac{dK_\Omega}{ds}.
$$

稱為歪速。

再定義：

$$
A_\Omega(s)

\frac{d^2K_\Omega}{ds^2}.
$$

稱為歪加速度。

更高階：

$$
J_\Omega(s)

\frac{d^3K_\Omega}{ds^3}.
$$

這些量可能對應：

* 局部形態突然收縮；

* 尖角；

* 方向切換；

* 分支形成；

* 極端幾何事件。

因此：

$$
K
$$

描述偏離。

$$
V
$$

描述偏離變化。

$$
A
$$

描述偏離變化的變化。

這使二維形狀成為一維動力學訊號。

***

# 25. 拓撲歪度

一般導數無法直接描述分裂與合併。

因此引入拓撲歪度：

$$
K_{\mathrm{topo}}(s).
$$

例如最簡單可令：

$$
K_{\mathrm{topo}}(s)

n(s)-1.
$$

若基準為單連通截面：

$$
n_0(s)=1,
$$

則：

$$
K_{\mathrm{topo}}=0
$$

表示無額外分支。

$$
K_{\mathrm{topo}}=1
$$

表示多出一個分支。

然而更完整的拓撲歪度還可包括：

$$
K_{\mathrm{birth}},
\quad
K_{\mathrm{merge}},
\quad
K_{\mathrm{hole}},
\quad
K_{\mathrm{branch}}.
$$

因此：

$$
\mathbf K_{\mathrm{topo}}

(
K_{\mathrm{conn}},
K_{\mathrm{branch}},
K_{\mathrm{hole}},
K_{\mathrm{event}}
).
$$

***

# 26. 幾何歪度與拓撲歪度應分離

兩個集合可能拓撲相同，但幾何不同。

例如：

* 圓盤；

* 正方形。

兩者均為單連通。

然而幾何不同。

相反地，兩集合可能局部寬度相似，但拓撲不同。

因此：

$$
K_{\mathrm{geom}}
$$

與：

$$
K_{\mathrm{topo}}
$$

不應混為一談。

可以定義：

$$
\mathbf K

\left(
K_{\mathrm{geom}},
K_{\mathrm{topo}}
\right).
$$

進一步：

$$
\mathbf K

\left(
K_{\mathrm{cap}},
K_{\mathrm{geom}},
K_{\mathrm{topo}},
K_{\mathrm{scale}},
K_{\mathrm{phase}}
\right).
$$

***

# 27. 多尺度問題

一個星形可能在粗尺度近似圓形。

但在細尺度有大量尖角。

因此單尺度表示不足。

令尺度參數：

$$
r>0.
$$

對集合做平滑、膨脹、侵蝕或局部平均，得到：

$$
\Omega_r.
$$

再展開：

$$
L_{\Omega,r}(s).
$$

因此：

$$
K_\Omega(s,r).
$$

粗尺度：

$$
r\gg0
$$

保留全局形態。

細尺度：

$$
r\to0
$$

捕捉尖角與局部粗糙。

最終得到：

$$
\boxed{
\text{一維位置}
\times
\text{方向}
\times
\text{尺度}
}
$$

上的歪度場：

$$
K_\Omega(s,\theta,r).
$$

***

# 28. 何謂「直線」

本文使用直線作為基準，但需進一步澄清。

直線可能至少有三種含義。

## 幾何直線

$$
L(s)=(s,0).
$$

## 容量直線

$$
C(s)=s.
$$

表示容量均勻累積。

## 結構零線

所有額外特徵為零：

$$
\mathbf L_0(s)

(s,1,1,0,0,\dots).
$$

因此後續研究必須區分：

$$
L_{\mathrm{geo}},
\quad
L_{\mathrm{cap}},
\quad
L_{\mathrm{struct}}.
$$

本文暫以「直線」泛指無額外歪度的基準態。

***

# 29. 何謂「歪」

相對地，「歪」也可分解。

## 容量歪

$$
K_{\mathrm{cap}}.
$$

表示局部容量不均勻。

## 位置歪

$$
K_{\mathrm{pos}}.
$$

表示局部質心偏移。

## 方向歪

$$
K_{\mathrm{dir}}.
$$

表示方向敏感性。

## 拓撲歪

$$
K_{\mathrm{topo}}.
$$

表示分支、洞與事件。

## 尺度歪

$$
K_{\mathrm{scale}}.
$$

表示不同尺度下結構不一致。

因此：

$$
\boxed{
\text{歪線}

\text{多種歪度沿一維總量參數排列}
}
$$

***

# 30. 為何這可能適合 Lebesgue 萬有覆蓋問題

Lebesgue 萬有覆蓋問題要求尋找集合：

$$
U\subset\mathbb R^2
$$

使對所有：

$$
A\subset\mathbb R^2,
\quad
\operatorname{diam}(A)\le1,
$$

存在剛體運動：

$$
g\in E(2)
$$

使：

$$
gA\subseteq U.
$$

目標是最小化：

$$
\mu_2(U).
$$

困難在於：

$$
A
$$

來自巨大形狀空間。

本文提出可能的新表述：

$$
A
\to
\mathbf L_A.
$$

候選覆蓋體：

$$
U
\to
\mathbf L_U.
$$

若能建立某種包含支配關係：

$$
\mathbf L_A
\preceq
\mathbf L_U,
$$

且該關係與剛體包含具有可靠關係，則原問題可能部分轉化為一維函數族比較。

***

# 31. 包含關係不一定是逐點小於

最直觀但過於簡單的方法是要求：

$$
L_A(s)\le L_U(s).
$$

然而這通常不夠。

因為二維包含涉及：

* 旋轉；

* 平移；

* 局部形態；

* 分支配置。

因此：

$$
\preceq
$$

應是一種廣義嵌入序。

可能形式包括：

$$
\exists \phi,
\quad
L_A(s)
\le
L_U(\phi(s)).
$$

其中：

$$
\phi:[0,1]\to[0,1]
$$

是允許的重新參數化。

或者：

$$
\exists T\in\mathcal T,
\quad
T(L_A)\subseteq L_U.
$$

也可能是：

$$
D_{\mathrm{inc}}(L_A,L_U)=0.
$$

因此，一維化不代表問題立刻變成普通函數比較。

但它可能提供新的中介層。

***

# 32. 重新參數化

不同圖形的容量順序可能不同。

因此應允許：

$$
\phi:[0,1]\to[0,1].
$$

若：

$$
\phi
$$

單調遞增，則保持總量順序。

可定義：

$$
D(
L_1,L_2
)
=

\inf_{\phi\in\Phi}
\int_0^1
|
L_1(s)

L_2(\phi(s))
|
,ds.
$$

如此可以比較：

* 同一結構但速度不同；

* 同一事件但發生位置不同；

* 相似形狀的局部伸縮。

***

# 33. 剛體運動與歪線相位

若：

$$
A
$$

旋轉：

$$
R_\alpha A,
$$

則方向場可能滿足：

$$
K_{R_\alpha A}(s,\theta)

K_A(s,\theta-\alpha).
$$

若成立，則旋轉：

$$
R_\alpha
$$

被轉化為方向參數上的相位平移。

這是一個重要可能性：

$$
\boxed{
\text{2D rotation}
\rightarrow
\text{1D angular phase shift}
}
$$

原本需要在平面中搜索旋轉。

現在可能改成：

$$
\inf_{\alpha}
D
\left(
K_A(s,\theta),
K_U(s,\theta+\alpha)
\right).
$$

***

# 34. 極端形態可能變成極端歪線

萬有覆蓋問題的真正難點通常不是平均形態。

而是極端形態。

在本文框架中，可定義：

$$
\mathcal K

{
K_A:
\operatorname{diam}(A)\le1
}.
$$

此時研究問題變成：

> 哪些歪線位於可行集合的邊界？

即：

$$
\partial\mathcal K.
$$

如果某些形態在一維歪線空間中明顯位於極端方向，它們可能對萬有覆蓋候選 (U) 形成最強約束。

因此可以搜索：

$$
K^\star

\arg\max_{K\in\mathcal K}
\mathcal R(K,U).
$$

其中：

$$
\mathcal R
$$

為殘差或不可嵌入程度。

***

# 35. 從形狀空間轉為函數空間

原問題的集合族：

$$
\mathcal A
$$

存在於高度複雜的形狀空間。

本文希望建立：

$$
\mathfrak U(\mathcal A)

{
L_A:A\in\mathcal A
}.
$$

即：

$$
\mathcal A
\to
\mathcal F.
$$

其中：

$$
\mathcal F
$$

是某個函數空間。

這不保證問題簡單。

但函數空間可使用：

* Fourier 分析；

* 小波；

* 變分法；

* Sobolev 範數；

* 最優傳輸；

* 動態時間對齊；

* 譜分析；

* 機器搜索；

* 區間證書。

因此：

$$
\boxed{
\text{幾何問題}
\rightarrow
\text{一維函數問題}
}
$$

可能提供大量新工具。

***

# 36. Fourier 表示

若：

$$
K_\Omega(s)
$$

足夠規則，可展開：

$$
K_\Omega(s)

a_0
+
\sum_{n=1}^{\infty}
\left(
a_n\cos 2\pi ns
+
b_n\sin 2\pi ns
\right).
$$

此時二維形狀可部分表示為係數：

$$
(a_n,b_n).
$$

低頻：

$$
n\ll1/r
$$

描述全局形狀。

高頻：

$$
n\gg1
$$

描述局部尖角與粗糙。

因此可研究：

$$
E_N(\Omega)

\sum_{n>N}
(a_n^2+b_n^2).
$$

作為高階剩餘歪度。

***

# 37. 但 Fourier 不足以表達拓撲事件

若分支突然分裂：

$$
1\to2,
$$

這是一種離散事件。

單純 Fourier 展開可能需要大量高頻才能近似。

因此應採混合表示：

$$
\boxed{
\text{連續歪線}
+
\text{離散拓撲事件}
}
$$

形式上：

$$
\mathcal S_\Omega

\left(
K_\Omega(s),
\mathcal E_\Omega
\right).
$$

其中：

$$
\mathcal E_\Omega

{
(s_j,\tau_j,\omega_j)
}.
$$

***

# 38. 一維線不一定必須嵌入 $\mathbb R^2$

本文所稱歪線，不必永遠畫成：

$$
(s,K(s)).
$$

更一般地：

$$
L_\Omega:
[0,1]\to X
$$

其中 (X) 可為：

* $\mathbb R^m$ ；

* Hilbert 空間；

* 圖空間；

* 拓撲狀態空間；

* 幾何代數空間。

因此：

$$
L_\Omega
$$

本質上是：

> 以一維總量參數驅動的狀態軌跡。

***

# 39. 幾何代數的可能接口

若需要同時表示：

* 方向；

* 面積元素；

* 旋轉；

* 定向子空間；

可考慮把局部狀態寫入幾何代數。

例如：

$$
G_\Omega(s)

a(s)
+
v(s)
+
B(s)
+\cdots
$$

其中：

* (a(s))：標量容量；

* (v(s))：向量偏移；

* (B(s))：雙向量或定向面積結構。

此時歪線：

$$
G_\Omega:[0,1]\to\mathcal G
$$

是一條幾何代數值曲線。

這可能比單純：

$$
K(s)\in\mathbb R
$$

保留更多二維資訊。

然而本文暫不將幾何代數指定為唯一形式語言。

***

# 40. 拓撲圖結構的可能接口

若截面分支複雜，可建立一維事件圖：

$$
\mathcal G_\Omega.
$$

節點代表：

* 出生；

* 分裂；

* 合併；

* 消失。

邊代表分支持續區間。

則原集合可表示為：

$$
\left(
L_\Omega,
\mathcal G_\Omega
\right).
$$

這非常接近：

> 線性容量展開加拓撲骨架。

例如：

$$
\Omega
\to
(
\text{capacity line},
\text{branch graph}
).
$$

***

# 41. 從「一條線」到「線上掛載結構」

因此本文真正的成熟版本可能不是單一曲線。

而是：

$$
\boxed{
\text{一條總量線}
+
\text{沿線掛載的局部結構}
}
$$

可寫為：

$$
\mathscr L_\Omega

\left(
I,
\mu,
\mathcal F_s,
\mathcal E,
\mathcal K
\right).
$$

其中：

* $I=[0,1]$ ：總量參數；

* $\mu$ ：一維容量；

* $\mathcal F_s$ ：位置 (s) 的纖維；

* $\mathcal E$ ：拓撲事件；

* $\mathcal K$ ：歪度資料。

此時「線」只是主索引骨架。

***

# 42. 何謂總量守恆

展開應至少滿足：

$$
\mu_2(\Omega)
\leftrightarrow
\mu_1(\mathscr L_\Omega).
$$

歸一後：

$$
\mu_1(\mathscr L_\Omega)=1.
$$

但這裡的一維測度不必是普通弧長。

可能是：

$$
d\nu(s)

\rho(s),ds.
$$

要求：

$$
\int_0^1
d\nu(s)

1.

$$

因此：

$$
\boxed{
\text{守恆的是總容量，而非幾何長度}
}
$$

這一點非常重要。

***

# 43. 線長與容量不可混淆

若歪線在平面中彎曲：

$$
L(s)=(s,K(s)),
$$

其歐氏弧長：

$$
\ell(L)

\int_0^1
\sqrt{
1+
(K'(s))^2
}
,ds
$$

通常大於一。

但本文仍可要求總容量：

$$
\nu(L)=1.
$$

因此：

$$
\ell(L)\ne\nu(L).
$$

也就是：

> 線有多歪，不應改變其所代表的原始總量。

***

# 44. 歪線面積是否有意義

若：

$$
K(s)\ge0,
$$

可定義：

$$
A_K

\int_0^1
K(s),ds.
$$

這可能作為總歪量。

但此值可能丟失符號資訊。

若：

$$
K
$$

有正負，則可用：

$$
\int_0^1
|K(s)|,ds.
$$

或：

$$
\left(
\int_0^1
|K(s)|^p
ds
\right)^{1/p}.
$$

然而本文再次強調：

> 這些只是歪線的摘要，不應代替整條歪線。

***

# 45. 歪線距離

對兩圖形：

$$
\Omega_1,\Omega_2,
$$

可定義：

$$
D_p

\left(
\int_0^1
|
K_1(s)-K_2(s)
|^p
ds
\right)^{1/p}.
$$

或：

$$
D_\infty

\sup_{s\in[0,1]}
|
K_1(s)-K_2(s)
|.
$$

加入重新參數化：

$$
D_{\mathrm{warp}}

\inf_{\phi\in\Phi}
D
\left(
K_1(s),
K_2(\phi(s))
\right).
$$

加入旋轉：

$$
D_{\mathrm{rigid}}

\inf_{\theta,\phi}
D
\left(
K_1(s,u),
K_2(\phi(s),R_\theta u)
\right).
$$

***

# 46. 從包含歪度到線形歪度

先前可定義包含歪度：

$$
K_{\mathrm{inc}}(A,U)

\inf_{g\in E(2)}
\sup_{x\in A}
\operatorname{dist}(gx,U).
$$

其優點是直接表示：

> 集合距離被包含還差多少。

但其缺點是：

$$
K_{\mathrm{inc}}
$$

最終仍為單一數值。

本文的新方向是把包含失敗位置展開：

$$
K_{\mathrm{inc}}(s).
$$

例如：

$$
K_{\mathrm{inc}}(s)

\text{總量位置 }s
\text{ 對候選 }U
\text{ 的局部殘差}.
$$

如此不再只知道：

$$
K=0.0075,
$$

而是知道：

* 哪一段容量失敗；

* 哪個方向失敗；

* 是否集中於尖角；

* 是否來自分支衝突。

***

# 47. 對萬有覆蓋問題的新可能表述

原問題：

$$
\forall A\in\mathcal A,
\exists g\in E(2):
gA\subseteq U.
$$

本文希望研究是否存在某種表示，使：

$$
\forall A,
\exists T_g:
\mathscr L_A
\preceq
\mathscr L_U.
$$

其中：

$$
T_g
$$

是一維表示空間中對應於剛體運動的變換。

若能建立：

$$
gA\subseteq U
\Rightarrow
T_g\mathscr L_A
\preceq
\mathscr L_U,
$$

則至少得到必要條件。

若更強地證明：

$$
T_g\mathscr L_A
\preceq
\mathscr L_U
\Rightarrow
gA\subseteq U,
$$

則得到充分條件。

若雙向成立：

$$
gA\subseteq U
\Longleftrightarrow
T_g\mathscr L_A
\preceq
\mathscr L_U,
$$

則一維框架將非常強。

目前本文不宣稱已建立此等價。

***

# 48. 必要條件可能已具有價值

即使只有：

$$
gA\subseteq U
\Rightarrow
\mathcal C(
\mathscr L_A,
\mathscr L_U
),
$$

也有價值。

因為若：

$$
\neg\mathcal C,
$$

則立即推出：

$$
gA\nsubseteq U
$$

對所有允許配置成立。

如此可快速排除候選。

這對高成本幾何搜索尤其重要。

***

# 49. 一維證書

假設可把候選集合表示為有限分段歪線：

$$
K(s)
\approx
K_N(s).
$$

若存在誤差：

$$
|K-K_N|_\infty
\le\varepsilon_N,
$$

則可建立有限證書。

例如數值計算得到：

$$
K_N(s)
\le
B-\varepsilon_N,
$$

則推出：

$$
K(s)\le B.
$$

因此：

$$
\boxed{
\text{連續幾何問題}
\to
\text{一維近似}
+
\text{誤差界}
}
$$

可能比直接二維網格證書更有效。

***

# 50. 自適應計算

若歪線大部分區域平滑，而少數區域高度尖銳，則不應均勻提高解析度。

令局部複雜度：

$$
Q(s)

|K'(s)|
+
\lambda|K''(s)|.
$$

在：

$$
Q(s)\gg0
$$

處增加取樣。

在：

$$
Q(s)\approx0
$$

處降低取樣。

因此：

$$
\boxed{
\text{計算資源跟著歪度走}
}
$$

這與「計算即逼近」原則相容。

***

# 51. 可能的演算法骨架

對集合 $\Omega$ ：

1. 歸一總量：

$$
\mu(\Omega)=1.
$$

2. 選擇展開規則：

$$
\mathfrak U.
$$

3. 建立容量參數：

$$
s\in[0,1].
$$

4. 計算局部纖維：

$$
F_s.
$$

5. 計算局部狀態：

$$
\mathbf z(s).
$$

6. 形成：

$$
L_\Omega(s)=\mathbf z(s).
$$

7. 相對基準：

$$
K_\Omega=L_\Omega\ominus L_0.
$$

8. 建立多方向：

$$
K(s,\theta).
$$

9. 建立多尺度：

$$
K(s,\theta,r).
$$

10. 與其他形狀比較。

***

# 52. 原型資料結構

一個離散近似可寫為：

$$
\mathscr L_\Omega^{(N)}

{
z_i
}_{i=1}^{N}.
$$

其中：

$$
z_i

(
s_i,
\rho_i,
n_i,
c_i,
g_i,
q_i
).
$$

拓撲事件另記：

$$
\mathcal E

{
e_j
}_{j=1}^{M}.
$$

此時資料複雜度約為：

$$
O(Nd+M),
$$

其中：

$$
d
$$

為每個節點狀態維度。

與完整二維高解析網格相比，可能顯著降低儲存量。

***

# 53. 但降維不保證降低複雜度

本文必須保留一個重要警告。

若為了完整保存二維資訊，一維線必須具有：

* 極高頻振盪；

* 無限分支標記；

* 高維狀態；

* 無窮方向；

則總複雜度可能並未下降。

只是從：

$$
\text{空間維度}
$$

轉移到：

$$
\text{訊號複雜度}.
$$

因此真正需要研究的是：

$$
\boxed{
\text{何種問題允許有效的一維壓縮？}
}
$$

***

# 54. 信息守恆與容量守恆不同

本文主要要求：

$$
\text{容量守恆}.
$$

但容量守恆不代表：

$$
\text{信息守恆}.
$$

例如：

$$
\int_0^1\rho(s),ds=1
$$

只保證總量。

不同圖形仍可能得到相同 $\rho$ 。

因此若要保存更多信息，必須增加：

$$
n(s),
\quad
c(s),
\quad
g(s),
\quad
\mathcal E.
$$

這形成一個基本權衡：

$$
\boxed{
\text{表示越簡單}
\Rightarrow
\text{信息損失越大}
}
$$

$$
\boxed{
\text{表示越完整}
\Rightarrow
\text{計算成本越高}
}
$$

***

# 55. 最小充分歪線

因此可以提出一個重要研究目標：

> 對特定問題，尋找最小充分歪線。

令任務為：

$$
\mathcal T.
$$

希望找到：

$$
\mathfrak U^\star_{\mathcal T}
$$

使其在保留任務所需判定能力的同時，表示複雜度最小。

形式上：

$$
\min_{\mathfrak U}
\operatorname{Complexity}(\mathfrak U)
$$

subject to

$$
\operatorname{Loss}_{\mathcal T}(\mathfrak U)
\le\varepsilon.
$$

對 Lebesgue 問題：

$$
\mathcal T

\text{rigid containment}.
$$

***

# 56. 一維線與排序問題

二維集合不存在天然唯一的一維順序。

因此任何展開都必須回答：

> 先取哪一塊，再取哪一塊？

這其實是核心。

可能排序方式包括：

* 固定方向掃描；

* 距中心距離；

* 邊界到內部；

* 曲率優先；

* 拓撲事件優先；

* 最優傳輸路徑；

* 空間填充順序；

* 目標函數驅動。

不同排序：

$$
\mathfrak U_1,
\mathfrak U_2
$$

可能得到不同歪線。

因此展開的本質之一是：

$$
\boxed{
\text{二維偏序／無序容量}
\to
\text{一維順序}
}
$$

***

# 57. 順序本身就是幾何選擇

若只說：

$$
\mu(\Omega)=1,
$$

則任意無原子總量空間在純測度層次可能高度相似。

真正區分形狀的不是「一」。

而是：

> 如何把這個一排序。

因此本文最深層問題可能是：

$$
\boxed{
\text{幾何}

\text{容量}
+
\text{排序規則}
+
\text{局部關係}
}
$$

若此觀點成立，則二維形狀的一維化不是消滅幾何。

而是把幾何轉化為：

* 次序；

* 鄰接；

* 距離；

* 分支；

* 歪度。

***

# 58. 鄰接資訊

假設兩塊二維區域：

$$
A,B
$$

在原空間相鄰。

若展開後被放到：

$$
s=0.1
$$

與：

$$
s=0.9,
$$

則鄰接資訊消失。

因此應考慮額外鄰接核：

$$
W(s,t).
$$

其中：

$$
W(s,t)
$$

表示原二維中，總量位置 (s,t) 的鄰近程度。

此時完整表示成為：

$$
\left(
L(s),
W(s,t)
\right).
$$

雖然：

$$
W
$$

又是二維函數，但主體仍基於一維索引。

這提供另一種：

$$
2D\to1D+\text{relation}
$$

框架。

***

# 59. 是否能只用一條歪線保留鄰接

更激進的問題是：

> 是否可設計特殊排序，使原幾何鄰接大部分轉化為一維局部鄰接？

也就是希望：

$$
x\sim y
$$

時，其參數：

$$
s_x\approx s_y.
$$

若可大致成立，則一條歪線本身便可保留大量幾何局部性。

這可能與空間填充、最短遍歷、拓撲骨架等方法有關。

本文暫不選定方案。

***

# 60. 對凸體的特別簡化

Lebesgue 萬有覆蓋問題常可利用凸化思想。

若：

$$
A\subseteq U,
$$

且 (U) 凸，則：

$$
\operatorname{conv}(A)\subseteq U.
$$

因此研究可集中於凸集合。

對凸體，任意線截面通常具有更簡單結構。

沿固定方向，截面往往是：

* 空集；

* 單區間。

則：

$$
n(t)\le1.
$$

此時拓撲分支大幅簡化。

因此本文框架在凸體類別上可能首先具有較高可行性。

***

# 61. 常寬體與一維展開

若進一步研究常寬一體：

$$
K,
$$

其支撐函數滿足：

$$
h(\theta)
+
h(\theta+\pi)

1.

$$

這提供天然方向約束。

若把每個方向的容量歪線記為：

$$
L_K(s,\theta),
$$

則可能存在對踵方向關係：

$$
\mathcal R
\left(
L_K(s,\theta),
L_K(s,\theta+\pi)
\right)

1.

$$

若能推導，則常寬條件可在一維表示中形成強約束。

***

# 62. 從支撐函數到容量線

支撐函數：

$$
h_K(\theta)
$$

主要描述外邊界極值。

容量線：

$$
L_K(s,\theta)
$$

則試圖描述整個內部量度如何沿方向展開。

因此兩者不是互斥。

更可能是：

$$
\boxed{
\text{support envelope}
+
\text{interior capacity line}
}
$$

共同形成完整表示。

例如：

$$
\mathcal S_K

\left(
h_K(\theta),
L_K(s,\theta)
\right).
$$

***

# 63. 為何這可能超越單一支撐函數排名

若兩個常寬體支撐差異很小，它們的：

$$
K_{\mathrm{inc}}
$$

可能非常接近。

但其內部容量展開仍可能不同。

例如：

$$
L_{K_1}(s,\theta)
\ne
L_{K_2}(s,\theta).
$$

因此新方法可能區分：

$$
\text{外包絡相近}
$$

但：

$$
\text{內部分布不同}
$$

的形態。

這正是單一標量歪度容易失去的資訊。

***

# 64. 可能的新危險度

對候選覆蓋體 (U) 和測試形態 (A)，可定義歪線殘差：

$$
R_{A,U}(s,\theta)

K_A(s,\theta)

K_U(s,\theta).
$$

取正部：

$$
R_+(s,\theta)

[R_{A,U}(s,\theta)]_+.
$$

則可定義：

$$
\mathcal R_\infty(A,U)

\inf_g
\sup_{s,\theta}
R_{gA,U,+}(s,\theta).
$$

亦可定義積分型：

$$
\mathcal R_1(A,U)

\inf_g
\int
R_+(s,\theta)
,ds,d\theta.
$$

這比單一點距離包含歪度提供更完整殘差結構。

***

# 65. 極端比例的新表達

先前極端方向思想可重新表達為：

$$
\theta^\star

\arg\max_\theta
\mathcal E(K(s,\theta)).
$$

其中：

$$
\mathcal E
$$

為歪線極端性。

例如：

$$
\mathcal E_\infty(\theta)

\sup_s
|K(s,\theta)|.
$$

或：

$$
\mathcal E_{\mathrm{var}}(\theta)

\int_0^1
|K'(s,\theta)|
,ds.
$$

因此可先測極端方向，再進行完整搜索。

***

# 66. 拓撲極端方向

對非凸集合，可定義：

$$
E_{\mathrm{topo}}(\theta)

\int_0^1
|n(s,\theta)-1|
,ds.
$$

極大方向：

$$
\theta^\star

\arg\max_\theta
E_{\mathrm{topo}}(\theta).
$$

這代表某方向下截面分裂最嚴重。

此方向可能是形狀最難被覆蓋或最具辨識力的方向。

***

# 67. 歪線包絡

對所有直徑不超過一的形態：

$$
\mathcal A,
$$

可研究歪線包絡：

$$
K^+(s,\theta)

\sup_{A\in\mathcal A}
K_A(s,\theta).
$$

以及：

$$
K^-(s,\theta)

\inf_{A\in\mathcal A}
K_A(s,\theta).
$$

若可求得：

$$
K^+,
K^-,
$$

則所有允許形態落於某歪度帶：

$$
K^-(s,\theta)
\le
K_A(s,\theta)
\le
K^+(s,\theta).
$$

這可能提供萬有覆蓋的全局約束。

***

# 68. 但逐點上確界可能不可同時實現

一個重要問題是：

對不同 (s)，使：

$$
K_A(s)
$$

達最大值的 (A) 可能不同。

所以：

$$
K^+(s)
$$

可能是不可由單一形態同時達成的虛構包絡。

因此需要配置相容性：

$$
\mathcal C(K).
$$

即：

> 哪些局部極端可以同時存在？

這再次把問題引向拓撲與全局幾何約束。

***

# 69. 形狀可實現性

給定任意函數：

$$
K:[0,1]\to\mathbb R,
$$

未必存在：

$$
\Omega\subset\mathbb R^2
$$

使：

$$
K=K_\Omega.
$$

因此需要研究可實現集合：

$$
\mathcal R_{\mathfrak U}

{
K:
\exists\Omega,,
K=K_\Omega
}.
$$

這是新框架中的核心數學問題之一。

***

# 70. 可實現性條件

可能存在條件：

### 非負容量

$$
\rho(s)\ge0.
$$

### 總量守恆

$$
\int_0^1\rho(s),ds=1.
$$

### 幾何連續性

$$
|c(s_1)-c(s_2)|
\le
L|s_1-s_2|.
$$

### 拓撲事件相容

分裂之後必須存在對應分支。

### 直徑約束

$$
\operatorname{diam}(\Omega)\le1.
$$

這些條件若能完全一維化，將非常有價值。

***

# 71. 直徑的一維約束

萬有覆蓋問題的核心限制：

$$
\operatorname{diam}(A)\le1.
$$

若一維展開可推導：

$$
\mathcal D(
L_A
)
\le1,
$$

其中：

$$
\mathcal D
$$

是一維泛函，則允許形狀族變成：

$$
{
L:
\mathcal D(L)\le1
}.
$$

這可能是後續最值得探索的方向之一。

***

# 72. 直徑可能需要鄰接核

因為：

$$
\operatorname{diam}(\Omega)

\sup_{x,y\in\Omega}
|x-y|.
$$

若只知道單點容量線：

$$
L(s),
$$

未必能恢復任意兩點距離。

因此可需要：

$$
D(s,t)
$$

表示原空間距離。

則：

$$
\operatorname{diam}(\Omega)

\sup_{s,t}
D(s,t).
$$

這形成：

$$
\boxed{
\text{一維索引}
+
\text{二點距離核}
}
$$

的表示。

***

# 73. 是否還算一維

有人可能反對：

若加入：

$$
D(s,t),
$$

這又是二維函數。

本文的回答是：

> 一維化有不同強度。

最強版本要求：

$$
L(s)
$$

單獨足夠。

較弱版本允許：

$$
L(s)
+
D(s,t).
$$

即使如此，主體元素仍被一維索引化。

這可能在算法與理論上已有價值。

***

# 74. 強一維化與弱一維化

本文定義：

## 強一維化

$$
\Omega
\to
L(s)
$$

且 (L) 足以完成目標任務。

## 弱一維化

$$
\Omega
\to
\left(
L(s),
R(s,t),
\mathcal E
\right).
$$

其中需要附加關係核。

後續研究應判斷 Lebesgue 問題需要哪一級。

***

# 75. 與「幾何代數」稱呼的關係

本文框架可以使用幾何代數。

但它本身不等同於幾何代數。

同樣地：

* 可以使用拓撲；

* 但不只是拓撲；

* 可以使用幾何測度；

* 但不只是測度論；

* 可以使用積分幾何；

* 但不只是積分幾何。

因此目前最安全名稱不是直接宣稱一個既有分支。

本文暫稱：

> **量度守恆的一維幾何展開**

或：

> **一維歪線展開**

***

# 76. 建議術語

中文候選：

1. **量度守恆歪線展開**

2. **二維總量一維化**

3. **幾何容量線**

4. **拓撲歪線**

5. **形狀總量展開**

6. **一維幾何還原**

英文候選：

1. **Measure-Preserving Skew Unfolding**

2. **One-Dimensional Geometric Unfolding**

3. **Capacity-Line Representation**

4. **Topological Skew-Line Encoding**

5. **Normalized Measure Unfolding**

本文暫不固定最終名稱。

***

# 77. 核心命題 A：總量歸一命題

對任意有限非零可測集合：

$$
0<\mu(\Omega)<\infty,
$$

存在歸一化：

$$
\widehat\mu_\Omega

\frac{\mu}{\mu(\Omega)}
$$

使：

$$
\widehat\mu_\Omega(\Omega)=1.
$$

此命題本身簡單。

但它建立所有形狀共同的總量起點。

***

# 78. 核心命題 B：展開不等於同構

若：

$$
\mathfrak U(\Omega)

L_\Omega,
$$

不推出：

$$
\Omega\cong L_\Omega.
$$

本文只要求表示關係。

因此所有後續推導必須避免：

$$
2D=1D
$$

的錯誤字面理解。

更準確地說：

$$
\boxed{
\text{2D object}
\to
\text{1D indexed representation}
}
$$

***

# 79. 核心命題 C：幾何差異可部分轉為線形差異

若展開算子具有足夠辨識力，則：

$$
\Omega_1\ne\Omega_2
$$

可導致：

$$
L_{\Omega_1}\ne L_{\Omega_2}.
$$

因此：

$$
\text{shape difference}
\to
\text{line difference}.
$$

本文的研究目的之一，即尋找何種 $\mathfrak U$ 能最大化此辨識能力。

***

# 80. 核心命題 D：總量相同不代表歪線相同

即使：

$$
\mu(\Omega_1)

\mu(\Omega_2)

1,
$$

仍可能：

$$
K_{\Omega_1}
\ne
K_{\Omega_2}.
$$

因此「一」不是抹平差異。

反而提供共同尺度。

***

# 81. 核心命題 E：單一標量不是自然終點

存在不同圖形：

$$
\Omega_1,\Omega_2
$$

使某單一摘要值：

$$
F(\Omega_1)
\approx
F(\Omega_2),
$$

但結構顯著不同。

因此應保留：

$$
K(s)
$$

甚至：

$$
\mathbf K(s).
$$

***

# 82. 核心命題 F：拓撲必須成為展開的一部分

若只使用：

$$
\rho(s)
$$

或截面總長，則可能無法區分不同連通結構。

因此對一般非凸集合：

$$
\mathfrak U
$$

應包含拓撲狀態。

***

# 83. 核心命題 G：任務相依表示可能優於全信息表示

若研究目標是：

$$
\mathcal T,
$$

則不必保存與 $\mathcal T$ 無關的全部幾何信息。

因此可設計：

$$
\mathfrak U_{\mathcal T}.
$$

對 Lebesgue 問題，應優先保存與：

$$
\text{直徑}
+
\text{剛體運動}
+
\text{包含}
$$

相關的結構。

***

# 84. 研究問題一：展開算子應如何選

目前最重要的開放問題：

$$
\boxed{
\mathfrak U=?
}
$$

可能選擇：

* 線性掃描；

* 徑向掃描；

* 等容量切片；

* 拓撲事件驅動；

* 最短路徑展開；

* 最優傳輸展開；

* 多方向融合；

* 混合展開。

本文不提前決定。

***

# 85. 研究問題二：如何定義最自然的直線基準

候選包括：

$$
L_0(s)=(s,0),
$$

或：

$$
C_0(s)=s,
$$

或：

$$
\rho_0(s)=1.
$$

不同基準產生不同歪度。

因此：

$$
K_\Omega
$$

是基準相依的。

***

# 86. 研究問題三：旋轉如何在線空間中表達

理想情況：

$$
R_\alpha
$$

變成：

$$
\theta\mapsto\theta+\alpha.
$$

但對某些展開方法可能不成立。

因此需要：

$$
T_{R_\alpha}
$$

使：

$$
\mathfrak U(R_\alpha\Omega)

T_{R_\alpha}
\mathfrak U(\Omega).
$$

若可建立群作用：

$$
T_{g_1g_2}

T_{g_1}T_{g_2},
$$

則一維表示將具有強代數結構。

***

# 87. 研究問題四：包含關係如何轉移

需要尋找：

$$
A\subseteq U
$$

與：

$$
L_A\preceq L_U
$$

之間的關係。

可能只有必要條件。

也可能在特定集合類別內達到等價。

這是與 Lebesgue 問題最直接的數學接口。

***

# 88. 研究問題五：直徑如何轉為線約束

需要研究：

$$
\operatorname{diam}(A)\le1
$$

在：

$$
L_A
$$

空間中的像。

若可得到有限不等式：

$$
F_j(L_A)\le1,
$$

則巨大形狀空間可能被轉化為可計算約束族。

***

# 89. 研究問題六：可實現歪線空間

需描述：

$$
\mathcal R

{
L:
L=\mathfrak U(\Omega)
}.
$$

不能把任意函數都當成合法形狀。

這可能形成新的幾何函數空間。

***

# 90. 研究問題七：極端歪線是否對應極端覆蓋形態

若：

$$
L^\star
\in
\partial\mathcal R,
$$

是否對應最危險形態？

這可能讓 hard cases 搜尋從圖形空間轉到函數空間。

***

# 91. 研究問題八：有限基底

是否存在：

$$
\phi_1,\dots,\phi_N
$$

使對重要形狀：

$$
K_\Omega(s)
\approx
\sum_{j=1}^N
a_j\phi_j(s)
$$

且誤差可控制？

若成立，則形狀可轉為係數向量：

$$
(a_1,\dots,a_N).
$$

這將大幅提高計算效率。

***

# 92. 研究問題九：拓撲事件有限化

對某些形狀類別，拓撲事件是否存在有限上界？

例如：

$$
M(\Omega)\le M_{\max}.
$$

若成立，可建立有限狀態機。

***

# 93. 研究問題十：一維化是否真的有計算優勢

這必須實驗驗證。

需要比較：

$$
\text{2D direct search}
$$

與：

$$
\text{1D skew-line search}.
$$

衡量：

* 時間；

* 記憶體；

* 上界精度；

* hard-case 排名能力；

* 證書成本。

本文不預設新方法一定較快。

***

# 94. 第一階段數值實驗建議

後續最直接可做四種形狀：

$$
\text{square},
\quad
\text{circle},
\quad
\text{triangle},
\quad
\text{star}.
$$

全部歸一：

$$
\mu=1.
$$

選固定方向：

$$
u=(1,0).
$$

計算：

$$
w(t).
$$

再轉成累積容量：

$$
s=S(t).
$$

比較：

$$
w_\square,
w_\circ,
w_\triangle,
w_\star.
$$

這是最基礎版本。

***

# 95. 第二階段數值實驗

加入：

$$
n(t)

\#\pi_0(F_t).
$$

比較：

* 圓；

* 月牙；

* 星形；

* 雙葉形；

* 含洞環形。

觀察：

$$
(w(t),n(t)).
$$

驗證容量相似但拓撲不同的形態是否能被區分。

***

# 96. 第三階段數值實驗

加入多方向：

$$
\theta_j

\frac{2\pi j}{N}.
$$

計算：

$$
K(s,\theta_j).
$$

研究旋轉是否近似相位平移。

***

# 97. 第四階段數值實驗

選取直徑不超過一的隨機凸體：

$$
A_i.
$$

對每個：

$$
A_i
$$

建立歪線。

比較舊標量排名：

$$
K_{\mathrm{inc}}(A_i,U)
$$

與新歪線排名：

$$
\mathcal R_{\mathrm{line}}(A_i,U).
$$

若新方法能更穩定區分 hard cases，則初步成功。

***

# 98. 第五階段：常寬體

生成常寬一體：

$$
h(\theta)

\frac12
+
\sum_{k\text{ odd}\ge3}
a_k\cos k\theta
+
b_k\sin k\theta.
$$

對每個常寬體計算：

$$
L(s,\theta).
$$

研究 Fourier 形狀係數與歪線特徵的映射：

$$
(a_k,b_k)
\to
K(s,\theta).
$$

***

# 99. 第六階段：學習展開算子

更長遠可把：

$$
\mathfrak U
$$

本身視為待優化對象。

目標：

$$
\max_{\mathfrak U}
\operatorname{HardCaseSeparation}
$$

subject to

$$
\operatorname{Cost}(\mathfrak U)
\le C.
$$

亦即讓計算搜索自動尋找最適合萬有覆蓋問題的一維表示。

***

# 100. 理論風險一：任意集合的一維編碼可能過度自由

若允許任意編碼，當然可以把二維資料塞進一維實數序列。

但這種做法可能沒有幾何意義。

因此本文要求：

$$
\mathfrak U
$$

應具有結構限制。

例如：

* 穩定性；

* 連續性；

* 幾何可解釋；

* 剛體協變；

* 總量守恆。

***

# 101. 理論風險二：不同展開順序造成任意性

若排序規則稍變：

$$
L_\Omega
$$

可能完全不同。

因此需研究：

$$
D(
\mathfrak U_1(\Omega),
\mathfrak U_2(\Omega)
).
$$

理想方法應對小規則擾動具有穩定性。

***

# 102. 理論風險三：拓撲事件可能高度不穩定

微小邊界擾動可能創造小分支。

因此應引入尺度：

$$
r.
$$

忽略低於尺度 (r) 的事件。

如此得到：

$$
\mathcal E_r.
$$

***

# 103. 理論風險四：Lebesgue 問題的剛體包含未必能被一維支配捕捉

即使兩條歪線相似：

$$
L_A\approx L_U,
$$

也不保證：

$$
A\subseteq U.
$$

因此任何包含推論都必須證明。

不能只靠視覺相似。

***

# 104. 理論風險五：歸一化可能消除重要尺度

在萬有覆蓋問題中：

$$
\operatorname{diam}(A)\le1
$$

本身是尺度條件。

若單純把所有面積歸一為一，可能破壞直徑資訊。

因此必須把：

$$
\operatorname{diam}(\Omega)
$$

作為額外標記，或採用受直徑約束的歸一。

例如：

$$
\widetilde\Omega

\frac{\Omega}{\operatorname{diam}(\Omega)}.
$$

再保留：

$$
\mu(\widetilde\Omega).
$$

這部分後續需審慎設計。

***

# 105. 對 Lebesgue 問題更合理的雙歸一

可考慮保留：

$$
d_\Omega

\operatorname{diam}(\Omega)
$$

與：

$$
a_\Omega

\mu_2(\Omega).
$$

再把內部容量歸一：

$$
\widehat\mu_\Omega=1.
$$

所以完整狀態：

$$
\mathscr S_\Omega

\left(
d_\Omega,
a_\Omega,
L_\Omega
\right).
$$

對：

$$
d_\Omega\le1,
$$

我們不丟失直徑限制。

***

# 106. 「總容量為一」的真正意義

本文將：

$$
\mu(\Omega)=1
$$

視為研究坐標轉換。

不是說原面積真的相同。

而是：

> 把總量差異暫時外置，把內部分布差異內化。

原始面積仍可另存：

$$
a_\Omega.
$$

因此：

$$
\Omega
\to
(a_\Omega,L_\Omega).
$$

***

# 107. 一種可能的完整表示

本文提出暫定總狀態：

$$
\boxed{
\mathscr S_\Omega

\left(
a_\Omega,
d_\Omega,
L_\Omega(s),
K_\Omega(s),
\mathcal E_\Omega,
\mathcal R_\Omega
\right)
}
$$

其中：

* $a_\Omega$ ：原始面積；

* $d_\Omega$ ：直徑；

* $L_\Omega$ ：一維容量線；

* $K_\Omega$ ：歪度；

* $\mathcal E_\Omega$ ：拓撲事件；

* $\mathcal R_\Omega$ ：關係資料。

此表示仍可簡化。

***

# 108. 最核心思想的極簡式

本文整體思想可濃縮為：

$$
\boxed{
\Omega^{(2)}
\overset{\mu\to1}{\longrightarrow}
\mathscr L_\Omega^{(1)}
}
$$

其中：

$$
\mu(\mathscr L_\Omega)=1.
$$

不同形狀：

$$
\Omega_1\ne\Omega_2
$$

轉為：

$$
\mathscr L_{\Omega_1}
\ne
\mathscr L_{\Omega_2}.
$$

其差異由：

$$
\mathbf K_\Omega(s)
$$

描述。

***

# 109. 與傳統「降維」觀念的差異

傳統降維常問：

> 如何用更少坐標近似原資料？

本文問的是：

> 如何把二維總容量重新排列成一維結構，使幾何差異變成線上可比較的歪度？

因此其核心不是：

$$
\mathbb R^2
\to
\mathbb R.
$$

而是：

$$
\boxed{
\text{geometric measure}
\to
\text{ordered one-dimensional structure}
}
$$

***

# 110. 與傳統「形狀描述子」的差異

傳統形狀描述子通常輸出：

$$
v(\Omega)\in\mathbb R^n.
$$

本文更偏向輸出：

$$
L_\Omega:[0,1]\to X.
$$

即：

> 不是一個向量，而是一條總量軌跡。

其後才可再降成係數。

***

# 111. 與拓撲不變量的差異

拓撲不變量可能只記：

$$
\beta_0,\beta_1,\dots
$$

但圓盤與正方形拓撲相同。

本文仍希望區分它們。

因此：

$$
\text{topology}
$$

只是歪線的一部分。

不是全部。

***

# 112. 與幾何代數的關係

幾何代數可以提供高效表示。

但本文的核心命題不依賴特定代數系統。

即使未使用幾何代數，仍可研究：

$$
\Omega
\to
L_\Omega.
$$

因此目前應把幾何代數視為可能工具。

***

# 113. 一維還原的哲學意義

一個二維形狀之所以看似二維，是因為其容量同時分布於兩個空間方向。

但若我們不要求保留原坐標，而改以：

$$
s\in[0,1]
$$

表示「總量被處理的順序」，則所有有限總量都可以被重新排序。

此時真正困難的不是：

$$
\text{能不能排序}
$$

而是：

$$
\boxed{
\text{如何排序才保留有用幾何？}
}
$$

***

# 114. 幾何可能被重新理解為「歪的順序」

若純容量是：

$$
1,
$$

純展開是：

$$
[0,1],
$$

則幾何差異可能表現為：

$$
\text{這個 1 如何偏離均勻展開}.
$$

因此：

$$
\boxed{
\text{shape}
\approx
\text{ordered skew of normalized capacity}
}
$$

這是一個值得進一步研究的命題。

***

# 115. 對 Lebesgue 問題的戰略意義

目前直接搜索候選覆蓋體需要處理：

$$
A
+
R
+
t
+
U.
$$

其中：

* (A)：形狀；

* (R)：旋轉；

* (t)：平移；

* (U)：候選覆蓋體。

若形狀先轉為：

$$
L_A,
$$

則可能部分把：

$$
A
$$

的複雜度替換為：

$$
K_A(s,\theta).
$$

並把：

$$
R
$$

替換為方向相位。

因此搜索空間可能重新組織。

***

# 116. 新框架的真正目標不是畫漂亮曲線

本文方法若只做到：

> 每個形狀畫一條不同曲線

則價值有限。

真正目標是：

1. 建立嚴格映射；

2. 建立穩定性；

3. 建立剛體作用；

4. 建立包含判準；

5. 建立直徑約束；

6. 建立有限證書。

只有如此，才能真正作用於 Lebesgue 問題。

***

# 117. 第一個應證明的定理方向

若採掃描容量展開，第一批可研究：

### 穩定性

若：

$$
d_H(\Omega_1,\Omega_2)\le\varepsilon,
$$

是否有：

$$
D(
L_{\Omega_1},
L_{\Omega_2}
)
\le
C\varepsilon?
$$

### 旋轉協變

$$
L_{R_\alpha\Omega}(s,\theta)

L_\Omega(s,\theta-\alpha).
$$

### 縮放律

若：

$$
\lambda\Omega,
$$

則：

$$
L_{\lambda\Omega}
$$

如何變化？

### 包含單調性

若：

$$
A\subseteq U,
$$

是否有：

$$
\mathcal M(L_A,L_U)\le0?
$$

***

# 118. 第二個應證明的定理方向：凸體

先限制：

$$
\Omega
$$

為凸體。

此時纖維簡單。

有機會先證明：

$$
\Omega
\mapsto
w_{\Omega,u}(t)
$$

的穩定性。

再研究多方向族：

$$
{
w_{\Omega,u}
}_{u\in S^1}.
$$

這可能成為第一個可計算核心。

***

# 119. 第三個定理方向：等容量參數

令：

$$
S(t)

\int_{-\infty}^t
w(\tau),d\tau.
$$

若：

$$
S
$$

嚴格單調，可定義：

$$
t=T(s).
$$

研究：

$$
q(s)

w(T(s)).
$$

這將原截面寬度改寫到等容量坐標。

不同圖形可直接比較：

$$
q_\Omega:[0,1]\to\mathbb R.
$$

這可能是第一版真正的歪線。

***

# 120. 初步候選：等容量歪線

本文提出一個最簡單候選：

$$
\boxed{
K_{\Omega,u}(s)

q_{\Omega,u}(s)-q_0(s)
}
$$

其中：

$$
q_{\Omega,u}(s)

w_{\Omega,u}(T_{\Omega,u}(s)).
$$

基準：

$$
q_0(s)=1.
$$

則：

$$
K=0
$$

代表完全均勻容量密度。

此定義仍需處理量綱與方向寬度正規化。

***

# 121. 為何等容量參數可能比原坐標更好

原坐標：

$$
t
$$

受尺度與方向影響。

而：

$$
s
$$

表示累積容量。

因此不同圖形都在：

$$
[0,1]
$$

比較。

例如圓與三角形不再比較：

$$
t\in[-R,R]
$$

與：

$$
t\in[0,h].
$$

而統一比較：

$$
s\in[0,1].
$$

這就是本文所稱「還原為同一條一維總量線」。

***

# 122. 對星形的處理

若星形截面分裂：

$$
F_t

I_1\cup I_2\cup\cdots,
$$

僅：

$$
w(t)

\sum_j|I_j|
$$

不足。

因此加入：

$$
n(t).
$$

甚至加入各分量比例：

$$
p_j(t)

\frac{|I_j|}
{\sum_k|I_k|}.
$$

則局部纖維狀態：

$$
z(t)

\left(
w(t),
n(t),
p_1(t),
p_2(t),
\dots
\right).
$$

再轉到：

$$
s.
$$

***

# 123. 對含洞集合的處理

環形集合沿掃描方向可能：

$$
1\to2\to1
$$

個截面分量。

因此其拓撲事件可記為：

$$
\mathcal E

{
e_{\mathrm{split}},
e_{\mathrm{merge}}
}.
$$

即使容量線與某凸體相近，拓撲線仍可區分。

***

# 124. 對分形與粗糙邊界的處理

若邊界高度粗糙，直接記全部事件可能爆炸。

因此引入尺度：

$$
r.
$$

先平滑：

$$
\Omega_r.
$$

得到：

$$
K(s,r).
$$

再觀察：

$$
r\to0.
$$

這形成歪度光譜。

***

# 125. 歪度光譜

定義：

$$
\mathcal P_\Omega(\omega)
$$

為歪線頻譜。

則：

* 低頻代表全局形狀；

* 中頻代表主要結構；

* 高頻代表尖角與粗糙。

可以研究：

$$
E_{\mathrm{high}}(\Omega)

\int_{\omega>\omega_0}
|\mathcal P_\Omega(\omega)|^2
,d\omega.
$$

***

# 126. 對覆蓋問題的光譜比較

若候選覆蓋體：

$$
U
$$

無法支撐某些高頻結構，則可能出現：

$$
\mathcal P_A(\omega)

>

\mathcal P_U(\omega).
$$

但此關係是否具有包含意義，需要證明。

因此光譜應首先用作：

* 排名；

* hard-case 搜索；

* 啟發式。

不應直接宣稱為充分條件。

***

# 127. 一維歪線族的凸性問題

若：

$$
A_1,A_2
$$

對應：

$$
K_1,K_2,
$$

則：

$$
\lambda K_1+(1-\lambda)K_2
$$

是否仍可實現？

未必。

因此可實現歪線集合：

$$
\mathcal R
$$

可能非凸。

這與原形狀空間的非線性相呼應。

***

# 128. 線空間中的包絡與洞

若：

$$
\mathcal R
$$

非凸，則某些歪線看似介於兩形態之間，但沒有任何真實集合對應。

因此算法必須避免在不可實現區域優化。

這是一個重要的新問題。

***

# 129. 與機器學習的可能關係

未來可生成大量形狀：

$$
\Omega_i.
$$

計算：

$$
L_i.
$$

再學習：

$$
\Omega
\leftrightarrow
L.
$$

但本文不主張以黑箱取代理論。

更合理的用途是：

* 猜不變量；

* 找極端形態；

* 預測 hard cases；

* 發現低維流形。

***

# 130. 計算即逼近

本研究適合遵循：

$$
\boxed{
\text{計算}
\Rightarrow
\text{發現結構}
\Rightarrow
\text{形成命題}
\Rightarrow
\text{再證明}
}
$$

因為目前尚不知道最佳：

$$
\mathfrak U.
$$

因此可並行測試多種展開。

讓計算結果判斷：

* 哪個表示最穩定；

* 哪個最有預測力；

* 哪個最能區分 hard cases。

***

# 131. 不應過早追求唯一理論

本文目前最重要的是保留方法空間。

若過早宣稱：

$$
\mathfrak U

\text{某唯一掃描}
$$

可能限制後續發展。

因此 v0.1 僅固定：

1. 總量歸一；

2. 一維參數；

3. 歪線；

4. 拓撲纖維；

5. 任務相依表示。

***

# 132. 與先前歪度方法的連續性

先前歪度思想強調：

$$
\text{生成量}

\text{基準量}

\text{結構偏差}.
$$

本文保留此精神。

但把：

$$
K\in\mathbb R
$$

提升為：

$$
K(s).
$$

再提升為：

$$
K(s,\theta,r).
$$

因此：

$$
\boxed{
\text{標量歪度}
\to
\text{線歪度}
\to
\text{場歪度}
}
$$

***

# 133. 從「歪多少」轉向「怎麼歪」

傳統問題問：

$$
K=?
$$

本文問：

$$
K(s)=?
$$

更進一步：

$$
\text{Where does it skew?}
$$

$$
\text{How does it skew?}
$$

$$
\text{At which direction?}
$$

$$
\text{At which scale?}
$$

因此研究對象從幅度升級為形態。

***

# 134. 對 Lebesgue 問題的最重要期待

若成功，可能把：

$$
\sup_{A:\operatorname{diam}(A)\le1}
\inf_{g\in E(2)}
\operatorname{Residual}(gA,U)
$$

轉寫為：

$$
\sup_{K\in\mathcal R_1}
\inf_{T\in\mathcal G}
\mathcal D(
TK,
K_U
).
$$

其中：

$$
\mathcal R_1
$$

是直徑一形態的可實現歪線空間。

這仍然困難。

但問題語言已改變。

***

# 135. 潛在優勢

若一維化成功，可能帶來：

### 更容易排序 hard cases

$$
K_1,K_2,\dots
$$

可以直接比較。

### 更容易做多尺度

$$
K(s,r).
$$

### 更容易做頻譜分析

$$
\widehat K(\omega).
$$

### 更容易做區間證書

$$
K(s)\in[\underline K,\overline K].
$$

### 更容易做局部加密

只加密高歪度區。

***

# 136. 潛在失敗方式

本方法也可能失敗。

例如：

1. 無法找到穩定展開；

2. 包含關係無法一維化；

3. 信息損失太大；

4. 為保信息導致狀態比原二維更複雜；

5. 直徑約束無法有效轉移。

若出現這些情況，則此框架至少仍可作為：

* 形狀描述；

* hard-case ranking；

* 啟發式搜索。

***

# 137. 本文不主張的事項

本文不主張：

* 已解決 Lebesgue 萬有覆蓋問題；

* 已找到最佳覆蓋體；

* 任意二維集合與區間同胚；

* 任意二維幾何可無損壓縮為單一實函數；

* 掃描截面是唯一方法；

* 歪線比較自動等價於集合包含；

* 拓撲幾何與幾何代數已被統一。

***

# 138. 本文真正提出的事項

本文提出：

$$
\boxed{
\text{把有限二維集合先歸一為總量 1}
}
$$

然後：

$$
\boxed{
\text{把這個 1 重新展開為一維總量參數}
}
$$

再將原始形狀差異表示為：

$$
\boxed{
\text{一維線上的歪度、密度、分岔與拓撲事件}
}
$$

最後研究：

$$
\boxed{
\text{二維包含問題能否部分轉化為一維結構支配問題}
}
$$

***

# 139. 最簡公式總結

第一步：

$$
\widehat\mu_\Omega(\Omega)=1.
$$

第二步：

$$
\mathfrak U:
\Omega
\to
L_\Omega.
$$

第三步：

$$
L_0(s)=(s,0).
$$

第四步：

$$
K_\Omega

L_\Omega
\ominus
L_0.
$$

第五步：

$$
\mathbf K_\Omega(s)

(
K_{\mathrm{cap}},
K_{\mathrm{geom}},
K_{\mathrm{topo}},
K_{\mathrm{scale}}
).
$$

第六步：

$$
A\subseteq U
\quad?
\quad
\Longleftrightarrow
\quad
L_A\preceq L_U.
$$

最後一式目前仍為開放研究目標。

***

# 140. 一句話版本

> 將所有有限二維形狀先歸一為總容量一，再把這個一依某種幾何—拓撲順序展開成一維線，使圓、方形、三角形、星形與任意不規則集合的差異，從二維形狀差異轉化為一維歪線的密度、彎曲、分支、事件與多尺度結構差異。

***

# 141. 結論

本文提出一種尚未完成、但具有清楚研究方向的幾何方法論。

對任意有限二維集合：

$$
\Omega\subset\mathbb R^2,
$$

首先將其總量歸一：

$$
\mu(\Omega)=1.
$$

隨後不再只把：

$$
\Omega
$$

看成一個二維輪廓，而把它視為：

> 一個總量為一、可以被排序、累積與展開的容量整體。

由此建立：

$$
s\in[0,1].
$$

其中 (s) 表示累積容量，而非必然表示空間坐標。

再透過展開算子：

$$
\mathfrak U
$$

把：

$$
\Omega
$$

映射成：

$$
L_\Omega.
$$

不同形狀在總量上都等於一，但在線結構上不同：

$$
L_\square
\ne
L_\circ
\ne
L_\triangle
\ne
L_\star.
$$

因此幾何差異可被重新理解為：

$$
K_\Omega

L_\Omega
\ominus
L_0.
$$

其中：

$$
K_\Omega
$$

不是單一誤差值，而是可能包含：

* 容量歪度；

* 幾何歪度；

* 拓撲歪度；

* 方向歪度；

* 尺度歪度。

最終形成：

$$
\mathbf K_\Omega(s,\theta,r).
$$

本文特別指出，這種方法可能對 Lebesgue 萬有覆蓋問題提供新的中介表示。原問題需要直接處理所有直徑不超過一的二維形狀。若其中某些幾何信息能被有效轉移至一維歪線空間，則研究者可能改為尋找：

* 極端歪線；

* 歪線包絡；

* 可實現區域；

* 一維包含必要條件；

* 多尺度 hard cases；

* 有限誤差證書。

然而，本文同時強調：

$$
\boxed{
\text{一維表示}
\ne
\text{一維同胚}
}
$$

$$
\boxed{
\text{總量守恆}
\ne
\text{信息守恆}
}
$$

$$
\boxed{
\text{歪線相似}
\ne
\text{集合必然可包含}
}
$$

因此後續工作的真正核心，不是單純畫線，而是建立：

$$
\boxed{
\text{展開算子}
+
\text{穩定性}
+
\text{剛體協變}
+
\text{直徑約束}
+
\text{包含判準}
}
$$

若上述任一部分取得成功，則「二維總量的一維歪線展開」都可能成為新的形狀分析工具。

若更進一步能建立：

$$
gA\subseteq U
\Longleftrightarrow
T_gL_A
\preceq
L_U,
$$

則 Lebesgue 萬有覆蓋問題將獲得一種與傳統二維幾何搜索顯著不同的研究語言。

本文 v0.1 的目的，正是先建立這個語言。

不是宣告答案。

而是把問題重新展開。

***

# 附錄 A：最小原型

令：

$$
\Omega\subset\mathbb R^2,
\quad
\mu_2(\Omega)=1.
$$

固定：

$$
u\in S^1.
$$

截面：

$$
F_t

\Omega
\cap
{
x:
\langle x,u\rangle=t
}.
$$

截面量：

$$
w(t)

\mathcal H^1(F_t).
$$

累積：

$$
S(t)

\int_{-\infty}^{t}
w(\tau),d\tau.
$$

因：

$$
\int w(t),dt=1,
$$

故：

$$
S(t)\in[0,1].
$$

取廣義逆：

$$
t=T(s).
$$

定義：

$$
q(s)

w(T(s)).
$$

基準：

$$
q_0(s)=1.
$$

最小歪線：

$$
K(s)

q(s)-1.
$$

此為最初級版本。

它不保存全部拓撲。

但可作為第一個計算實驗。

***

# 附錄 B：拓撲增強原型

同樣定義：

$$
F_t.
$$

再計算：

$$
n(t)

\#\pi_0(F_t).
$$

轉換至容量坐標：

$$
n_s

n(T(s)).
$$

定義：

$$
K_{\mathrm{topo}}(s)

n_s-1.
$$

完整狀態：

$$
\mathbf K(s)

\left(
q(s)-1,
n_s-1
\right).
$$

此版本已可區分：

* 單區間截面；

* 多區間截面。

***

# 附錄 C：多方向原型

對：

$$
\theta_j

\frac{2\pi j}{N},
$$

令：

$$
u_j

(\cos\theta_j,\sin\theta_j).
$$

計算：

$$
\mathbf K(s,\theta_j).
$$

得到離散方向歪度場。

研究：

$$
\mathbf K_{R_\alpha\Omega}
(s,\theta)
\stackrel{?}{=}
\mathbf K_{\Omega}
(s,\theta-\alpha).
$$

***

# 附錄 D：Lebesgue 接口原型

對測試形態：

$$
A
$$

及候選覆蓋：

$$
U,
$$

計算：

$$
K_A(s,\theta),
\quad
K_U(s,\theta).
$$

初步殘差：

$$
R_{A,U}(s,\theta)

[
K_A(s,\theta)

K_U(s,\theta)
]_+.
$$

定義：

$$
\mathcal R(A,U)

\inf_{\alpha}
\sup_{s,\theta}
R_{A,U}
(s,\theta+\alpha).
$$

此量目前僅作研究性殘差。

不宣稱：

$$
\mathcal R=0
$$

等價於：

$$
A\subseteq U.
$$

後續需要建立其幾何意義。

***

# 附錄 E：研究路線

本文後續建議依序進行：

$$
\boxed{
\text{四基本形}
\to
\text{非凸形}
\to
\text{多方向}
\to
\text{直徑約束}
\to
\text{常寬體}
\to
\text{Lebesgue hard cases}
}
$$

即：

1. 正方形；

2. 圓；

3. 三角形；

4. 星形；

5. 含洞形；

6. 多方向；

7. 常寬體；

8. 隨機直徑一形態；

9. 舊歪度與新歪線比較；

10. 搜索新的包含證書。

***

# 附錄 F：最終研究命題

本文暫提出以下總命題：

> **對特定幾何任務，二維有限測度集合的全部原始坐標未必都是必要的。若能把集合總量歸一為一，並設計適當的一維容量排序與拓撲掛載結構，則部分二維幾何差異可能被轉化為一維歪線差異。對 Lebesgue 萬有覆蓋問題而言，這種轉化或可把無窮二維形狀族的部分難度，重新表述為可實現歪線族、方向相位、極端事件與一維支配關係的研究。**

本文目前不證明此命題成立。

但它提供下一階段研究方向：

$$
\boxed{
\text{先把形狀還原成線，再重新看萬有覆蓋。}
}
$$