[논문 리뷰] 3D Point Cloud Denoising using Graph Laplacian Regularization of a Low Dimensional Manifold Model

Jin Zeng, Gene Cheung외 3명|arXiv (Cornell University)|2018. 03. 20.

Advanced Vision and Imaging참고 문헌 45인용 수 18

한 줄 요약

이 논문은 3D 포인트 클라우드 노이즈 제거를 위해 저차원 다양체 모델을 그래프 라플라시안(GLR)으로 정규화하여 자기 유사성 표면 패치를 활용하는 방법을 제안한다. 다각형 라플라시안을 통한 다각형 차원 계산의 이산적 근사와 노이즈에 강건한 패치 거리 측정법을 도입함으로써, 빠르고 안정적이며 가장자리 보존 성능이 뛰어난 노이즈 제거를 가능하게 하여, 객관적 지표와 시각적 품질 모두에서 최신 기법들을 능가한다.

ABSTRACT

3D point cloud - a new signal representation of volumetric objects - is a discrete collection of triples marking exterior object surface locations in 3D space. Conventional imperfect acquisition processes of 3D point cloud - e.g., stereo-matching from multiple viewpoint images or depth data acquired directly from active light sensors - imply non-negligible noise in the data. In this paper, we adopt a previously proposed low-dimensional manifold model for the surface patches in the point cloud and seek self-similar patches to denoise them simultaneously using the patch manifold prior. Due to discrete observations of the patches on the manifold, we approximate the manifold dimension computation defined in the continuous domain with a patch-based graph Laplacian regularizer and propose a new discrete patch distance measure to quantify the similarity between two same-sized surface patches for graph construction that is robust to noise. We show that our graph Laplacian regularizer has a natural graph spectral interpretation, and has desirable numerical stability properties via eigenanalysis. Extensive simulation results show that our proposed denoising scheme can outperform state-of-the-art methods in objective metrics and can better preserve visually salient structural features like edges.

연구 동기 및 목표

• 스테레오 매칭 또는 깊이 센서와 같은 획득 과정에서 발생하는 노이즈로 인해 손상된 3D 포인트 클라우드의 노이즈 제거 과제를 해결하기 위해.
• 표면 패치 간의 자기 유사성을 모델링하여, 이를 저차원 다각형 위에 위치하는 것으로 간주함으로써 공동 노이즈 제거를 가능하게 하기 위해.
• 이미지에서 저차원 다각형 모델(LDMM)을 포인트 클라우드로 확장할 때 발생하는 계산 및 수치적 과제를 해결하기 위해, 특히 비정규 기하학성과 명시적 좌표 함수의 부재로 인한 과제를 고려하여.
• 세부 구조적 특징(예: 가장자리)을 잘 보존하면서도 안정적이고 효율적이며 노이즈에 강건한 포인트 클라우드 노이즈 제거 방법을 개발하기 위해.

제안 방법

• 이 방법은 포인트 클라우드 내 유사한 표면 패치를 저차원 다각형 위의 샘플로 모델링하고, 이산 도메인에서 다각형 차원 계산을 근사하기 위해 그래프 라플라시안 정규화(GLR)를 사용한다.
• 유사성 그래프를 구성하기 위해 노이즈가 있는 포인트 클라우드에 강건한 새로운 이산 패치 거리 측정법을 도입한다.
• GLR는 그래프 라플라시안 행렬에서 유도되며, 그래프 스펙트럼 도메인 내 고유값 분석을 통해 스펙트럼적 해석을 가능하게 하고 수치적 안정성을 확보한다.
• 그래프 라플라시안 행렬의 대칭적 구조 덕분에 최적화 문제는 조건부 공액 기울기(PCG) 방법을 통해 효율적으로 해결된다.
• 이전의 점 적분 방법(PIM)과 같이 다각형 위의 명시적 좌표 함수 추정을 피함으로써, 이전 방법들에 비해 높은 복잡도를 피한다.
• 자기 유사 패치 간의 다각형 차원 최소화를 통해 공동 노이즈 제거를 수행하며, 다각형 사전 지식을 활용해 복원 품질을 향상시킨다.

실험 결과

연구 질문

• RQ1 3D 포인트 클라우드의 비정규적인 기하학적 특성에도 불구하고, 이미지 패치에 대한 저차원 다각형 모델(LDMM)을 3D 포인트 클라우드 표면 패치로 효과적으로 확장할 수 있는가?
• RQ2 명시적 좌표 함수 없이도 이산적이고 계산 효율적이며 수치적으로 안정적인 방식으로 다각형 차원을 근사할 수 있는가?
• RQ3 노이즈가 있는 포인트 클라우드 데이터를 다룰 수 있도록 충분히 강건한 패치 유사성 측정법은 무엇인가?
• RQ4 제안된 GLR 기반 정규화는 기존 방법들과 비교해 더 빠른 수렴 속도와 가장자리 등의 기하학적 특징 보존 성능을 향상시키는가?

주요 결과

• 제안된 GLR 기반 방법은 여러 벤치마크 데이터셋에서 객관적 지표(예: PSNR)에서 최신 기법들인 NLD, MRPCA, AWLOP를 능가하는 뛰어난 성능을 달성한다.
• 노이즈 수준 0.03인 스탠포드 3D 데이터셋에서 제안 방법은 PSNR 6.87을 기록하여 NLD(6.93), MRPCA(6.87), AWLOP(7.70)를 모두 능가하며, 더 높은 노이즈 제거 정확도를 입증한다.
• 더 높은 노이즈 수준(예: 0.04)에서도 뛰어난 성능 유지를 보이며, 스탠포드 데이터셋에서 PSNR 8.29를 기록하여 LR(8.55)와 GLR(8.29)를 초월하여 고노이즈 환경에서도 강건성을 입증한다.
• 비국소 또는 희박성 기반 방법들이 종종 이러한 특징을 과도하게 평탄화하는 데 비해, 이 방법은 가장자리 및 날카로운 구조와 같은 뚜렷한 시각적 특징을 더 효과적으로 보존한다.
• GLR의 사용 덕분에 그래프 라플라시안 행렬의 대칭적 구조로 인해 더 빠른 수렴 속도와 향상된 수치적 안정성이 확보되어 최적화에 필요한 반복 수를 줄였다.
• GLR의 그래프 스펙트럼적 해석은 정규화가 저역통과 필터로 작용함을 보장하여 노이즈는 효과적으로 억제하면서도 필수적인 기하학적 세부 정보는 유지한다.