[論文レビュー] Denoising a Point Cloud for Surface Reconstruction

Siu-Wing Cheng, Man-Kit Lau|arXiv (Cornell University)|Apr 13, 2017

3D Shape Modeling and Analysis参考文献 24被引用数 7

ひとこと要約

本稿では、表面法線推定や表面フィッティングに依存せずに、白色ノイズ、クラスタ化された外れ値、大きなノイズの摂動を効果的に処理できる高速で頑健な非構造的点群のノイズ除去手法を提案する。この手法は、オクトリーに基づくクラスタリング、摂動の統計的フィルタリング、疎な点群におけるメッシュレスラプラシアン平滑化を用い、既存の表面再構築コードと比較して優れたノイズ耐性と計算効率を達成する。

ABSTRACT

Surface reconstruction from an unorganized point cloud is an important problem due to its widespread applications. White noise, possibly clustered outliers, and noisy perturbation may be generated when a point cloud is sampled from a surface. Most existing methods handle limited amount of noise. We develop a method to denoise a point cloud so that the users can run their surface reconstruction codes or perform other analyses afterwards. Our experiments demonstrate that our method is computationally efficient and it has significantly better noise handling ability than several existing surface reconstruction codes.

研究の動機と目的

• 後続の表面再構築を目的として、白色ノイズ、クラスタ化された外れ値、大きな摂動を含む非構造的点群のノイズ除去の課題に対処すること。
• 表面法線推定に依存せず、100%を超える白色ノイズやボクシングボックスサイズに対して2%の摂動といった極めて高いノイズレベルに対しても計算的に効率的で頑健な手法を開発すること。
• 既存手法が脆くなる原因となる正確な表面法線推定に依存しないようにすること。
• 重度の汚染下でもトポロジーの正しさと表面品質を維持でき、下流の再構築アルゴリズムへの信頼できる適用を可能にすること。
• Robust Coconeなどの表面再構築コードの性能を向上させるための前処理パイプラインを提供すること。

提案手法

• 最大のクラスタ（群）が目的の表面を表し、それ以外のクラスタをノイズまたは外れ値として除去する、新規のオクトリー分解を用いてデータ点をクラスタリングする。
• オクトリーボックスにおける統計的分析を用いて、大きなノイズの摂動を持つ点をフィルタリングし、これを最終的な平滑化ステップとは分離する。
• 残存するデータ点に従って疎な点群を構築することで、計算コストを低減し、平滑化中の密度誘導型ずれを回避する。
• 近隣点をグループ化し、各グループから代表点を1つ選択することで、疎な点群におけるメッシュレスラプラシアン平滑化を実行し、均等な分布と安定性を確保する。
• 表面フィッティング、法線推定、または暗黙関数の構築を回避することで、パイプラインを単純化し、速度と頑健性を向上させる。
• 反復的精錬：まず大きな摂動と外れ値を除去し、次に残存するより綺麗な点群に対して平滑化を適用することで、不均一なサンプリングによるずれを防ぐ。

実験結果

リサーチクエスチョン

• RQ1 表面法線に依存せずに、100%を超える白色ノイズとクラスタ化された外れ値を効果的に処理できるノイズ除去手法は存在するか？
• RQ2 ボクシングボックス径に対して2%の摂動を含む極めて高いノイズレベル下でも、トポロジーと表面品質を保持できる点群のノイズ除去はどのように実現できるか？
• RQ3 疎な点群におけるメッシュレスラプラシアン平滑化アプローチは、元の点群を直接平滑化する従来手法を上回る性能を発揮できるか？
• RQ4 外れ値除去と摂動フィルタリングを分離することで、平滑化中のずれを防ぎ、頑健性が向上するか？
• RQ5 複雑な構造を有する実世界のノイズスキャンにおいても、高い精度を維持しながら計算的に効率的な手法は実現可能か？

主な発見

• 提案手法は、白色ノイズが最大100%、摂動が2%に達する点群に対しても効果的にノイズ除去を実行し、Robust Cocone、AMLS、Sign-the-Unsignedといった既存の表面再構築コードと比較して、高ノイズ条件下で優れた性能を示した。
• 1%および2%のガウスノイズを含む実験では、ChairおよびHappy Buddhaデータセットで正しいトポロジーを保持したのに対し、Robust Cocone、AMLS、Sign-the-Unsignedは失敗した。
• Dragonデータセットでは、0.5%ノイズで出力が破損したが、これはノイズ除去後の残留摂動に起因しており、フィルタリングのみで十分でないことが示唆された。
• 60–100%の均一分布する白色ノイズと確率的クラスタ化外れ値の下でも、トポロジーと表面品質を正しく維持した。一方、Sign-the-Unsignedはアーマディルとバニーを除き、すべてのデータセットで失敗した。
• 実行時間は合理的であり、Dragon（270万点）のような大規模データセットで高ノイズ下でも10分未満で完了し、他の遅い代替手法を上回った。
• Ramesses や wFish といった複雑なモデルに対しても、本手法は頑健性を示したが、過度な点削除に起因するアンダーサンプリングにより、一部のへこみや穴が生じた。