[論文レビュー] StretchDenoise: Parametric Curve Reconstruction with Guarantees by Separating Connectivity from Residual Uncertainty of Samples

Stefan Ohrhallinger, Michael Wimmer|arXiv (Cornell University)|Jan 1, 2018

3D Shape Modeling and Analysis参考文献 1被引用数 3

ひとこと要約

本稿では、高ノイズな点群から閉曲線を再構築するパラメータフリーの2パス手法「StretchDenoise」を提案する。この手法は、まずFITCONNECTを用いて多様体の接続性を推定し、その後、ノイズ範囲内で頂点位置を最適化することで、角度のずれを最小化し、符号付きハウスドルフ距離のバランスを取ることで、接続性回復と残差ノイズ除去を分離する。これにより、確率的誤差保証を達成し、過剰に平滑化することなく特徴を保持する。

ABSTRACT

We reconstruct a closed denoised curve from an unstructured and highly noisy 2D point cloud. Our proposed method uses a two-pass approach: Previously recovered manifold connectivity is used for ordering noisy samples along this manifold and express these as residuals in order to enable parametric denoising. This separates recovering low-frequency features from denoising high frequencies, which avoids over-smoothing. The noise probability density functions (PDFs) at samples are either taken from sensor noise models or from estimates of the connectivity recovered in the first pass. The output curve balances the signed distances (inside/outside) to the samples. Additionally, the angles between edges of the polygon representing the connectivity become minimized in the least-square sense. The movement of the polygon's vertices is restricted to their noise extent, i.e., a cut-off distance corresponding to a maximum variance of the PDFs. We approximate the resulting optimization model, which consists of higher-order functions, by a linear model with good correspondence. Our algorithm is parameter-free and operates fast on the local neighborhoods determined by the connectivity. This enables us to guarantee stochastic error bounds for sampled curves corrupted by noise, e.g., silhouettes from sensed data, and we improve on the reconstruction error from ground truth. Source code is available online. An extended version is available at: https://arxiv.org/abs/1808.07778

研究の動機と目的

• 非構造的で高ノイズな2次元点群から、閉曲線かつ特徴を保持する再構築を実現すること。
• 従来の手法が引き起こす過剰な平滑化や非多様体出力を招く、接続性推定とノイズモデル化の相互依存性を解消すること。
• センサーのノイズモデルまたは推定されたノイズ範囲に基づいて、確率的誤差境界を保証するパラメータフリーの再構築手法を提供すること。
• ノイズ範囲を尊重しながら、多角形表現における角度のずれを最小化することで、再構築精度を向上させること。
• スイルエット抽出などの応用に適した、実用的で高速かつ検証可能な曲線再構築を可能にすること。

提案手法

• 1回目のパスでは、FITCONNECTを用いてスケールを段階的に拡大しながら円弧をフィットさせることで、頂点がサンプル、関連する法線および近傍を有する疎な多角形として、多様体の接続性を回復する。
• 2回目のパスでは、ノイズ除去問題を制約付き最小二乗最適化としてモデル化し、多角形の辺間の角度の二乗和を最小化する。
• 最適化は、頂点の移動を確率密度関数のカットオフ半径（ノイズ範囲）内に制限することで、確率的誤差境界を保証する。
• 曲線の内側／外側の符号付き距離をバランスさせることで、領域収縮を防ぐ。
• 境界制約を備えたカスタム最小二乗ソルバーを用い、効率性と正確性を高めるために高次関数を線形モデルで近似する。
• この手法はパラメータフリーであり、接続性によって定義される局所的近傍にのみ依存するため、高速かつスケーラブルな計算が可能である。

実験結果

リサーチクエスチョン

• RQ1 2パス手法により、接続性回復とノイズ除去を分離することで、高ノイズな2次元点群において過剰な平滑化を回避しながら特徴を保持できるか？
• RQ2 ノイズ範囲が既知または推定されている場合、再構築された曲線に対して確率的誤差境界をどのように保証できるか？
• RQ3 多角形表現における角度のずれを最小化することで、アーチファクトを導入することなく、曲線再構築の品質をどの程度向上できるか？
• RQ4 パラメータフリーな手法が、最先端技術を上回る再構築精度を達成しつつ、計算効率を維持できるか？
• RQ5 変動するノイズ条件下でも、人工構造物の鋭い特徴や直線的領域を、この手法はどの程度良好に保持できるか？

主な発見

• 本手法は、センサーのノイズモデルまたはFITCONNECTで推定されたノイズ範囲に基づいて、確率的誤差境界を保証する形で、ノイズの高い点群からノイズ除去された曲線を再構築することに成功した。
• 実データにおいては、センサー指定のノイズ範囲を使用した場合、特に低ノイズ領域で推定された範囲を使用した場合よりも再構築精度が向上した。
• ガウス平滑化や移動最小二乗法ではしばしば平滑化される鋭い特徴や、歯車のような突き出た構造物も、本手法では良好に保持された。
• ノイズ範囲が一様な領域では、曲線の内側／外側の距離がバランスされ、領域収縮が防がれた。
• 境界付きの制約付き最小二乗ソルバーは、最適化を効果的に処理し、局所的近傍において高速かつ信頼性の高い収束を実現した。
• 非一様なサンプリングと高ノイズ条件下でも、Robust HPRや他の最先端手法を上回り、BUNNY や DOLPHIN といった複雑な形状の閉曲線の閉じ込みとノイズ除去を実現した。