[논문 리뷰] A novel tree-structured point cloud dataset for skeletonization algorithm evaluation

Yan Lin, Ji Liu외 1명|arXiv (Cornell University)|2020. 01. 09.

3D Shape Modeling and Analysis참고 문헌 25인용 수 9

한 줄 요약

이 논문은 암시적 표면 모델링과 가상 스캐닝을 통해 실세계의 도전 과제인 노이즈, 누락된 데이터, 비균일한 밀도를 시뮬레이션한, 지정된 뼈대가 있는 새로운 공개된 나무 구조 포인트 클라우드 데이터셋을 소개한다. 이 데이터셋은 스켈레톤화 알고리즘에 대한 표준화되고 정량적인 평가를 가능하게 하며, L₁ 방법을 사용한 벤치마킹을 통해 밀도 변화와 데이터 열악성에 대한 민감도를 입증함으로써 높은 도전도를 보여준다.

ABSTRACT

Curve skeleton extraction from unorganized point cloud is a fundamental task of computer vision and three-dimensional data preprocessing and visualization. A great amount of work has been done to extract skeleton from point cloud. but the lack of standard datasets of point cloud with ground truth skeleton makes it difficult to evaluate these algorithms. In this paper, we construct a brand new tree-structured point cloud dataset, including ground truth skeletons, and point cloud models. In addition, four types of point cloud are built on clean point cloud: point clouds with noise, point clouds with missing data, point clouds with different density, and point clouds with uneven density distribution. We first use tree editor to build the tree skeleton and corresponding mesh model. Since the implicit surface is sufficiently expressive to retain the edges and details of the complex branches model, we use the implicit surface to model the triangular mesh. With the implicit surface, virtual scanner is applied to the sampling of point cloud. Finally, considering the challenges in skeleton extraction, we introduce different methods to build four different types of point cloud models. This dataset can be used as standard dataset for skeleton extraction algorithms. And the evaluation between skeleton extraction algorithms can be performed by comparing the ground truth skeleton with the extracted skeleton.

연구 동기 및 목표

• 3차원 포인트 클라우드 스켈레톤화 알고리즘 평가를 위한 지정된 뼈대가 있는 표준화된 벤치마크 데이터셋의 부족 문제를 해결하기 위해.
• 실세계 3차원 스캔에서 흔히 볼 수 있는 노이즈, 누락된 데이터, 비균일한 밀도 등의 실제 수집 과제를 시뮬레이션하기 위해.
• 재현 가능하고 일관된 지정된 뼈대가 있는 900개의 나무 모델로 구성된 포괄적인 프로그래밍 기반 데이터셋을 생성하여 알고리즘 평가를 위한 기반을 마련하기 위해.
• Hausdorff 거리와 같은 메트릭을 사용해 스켈레톤화 방법의 정성적 및 정량적 비교를 가능하게 하기 위해.
• 공개 가능하고 견고한 벤치마크를 제공함으로써 향후 3차원 기하 처리 분야의 연구를 지원하기 위해.

제안 방법

• 정확한 기하 표현을 위해 맞춤형 나무 편집기를 사용하여 나무 뼈대와 관련 메쉬 모델을 구축한다.
• 복잡한 가지 구조를 유지하는 고정밀 삼각형 메쉬를 생성하기 위해 암시적 표면 모델링을 사용한다.
• 실제 3차원 스캐닝 조건을 시뮬레이션하기 위해 가상 스캐너를 적용하여 암시적 표면 모델에서 포인트 클라우드를 샘플링한다.
• 기본 스캔에서 네 가지 다른 포인트 클라우드 변형을 생성한다: 노이즈가 있는, 희소한, 누락된 데이터가 있는, 비균일하게 분포된 점들.
• 최종 데이터셋의 위상적 정합성과 현실성 확보를 위해 다단계 샘플링 및 처리 파이프라인을 구현한다.
• 최신 L₁ 방법을 사용해 뼈대 추출을 수행하고 Hausdorff 거리로 결과를 지정된 뼈대와 비교함으로써 데이터셋의 유용성을 검증한다.

실험 결과

연구 질문

• RQ1 스켈레톤화 알고리즘 평가를 위한 표준화되고 현실적인 3차원 포인트 클라우드 데이터셋과 지정된 뼈대를 체계적으로 구축하는 방법은 무엇인가?
• RQ2 노이즈, 누락된 데이터, 비균일한 밀도와 같은 일반적인 과제들이 기존 스켈레톤화 알고리즘의 성능에 어느 정도 영향을 미치는가?
• RQ3 다양한 포인트 클라우드 조건을 가진 벤치마크 데이터셋은 스켈레톤화 방법의 더 신뢰할 수 있고 재현 가능한 평가를 가능하게 하는가?
• RQ4 복잡한 나무 형태의 구조에서 L₁ 방법은 다양한 수준의 데이터 열악성에 대해 어떻게 성능을 보이는가?
• RQ5 스켈레톤 추출에서 위상적 정확성과 기하 중심성의 정량적 평가에 가장 효과적인 메트릭은 무엇인가?

주요 결과

• 제안된 데이터셋은 지정된 뼈대가 있는 900개의 나무 모델을 포함하여 스켈레톤화 알고리즘의 일관된 평가를 가능하게 한다.
• L₁ 방법은 깨끗하고 균일하게 분포된 포인트 클라우드에서 위상적으로 올바른 뼈대를 성공적으로 추출하며, 특히 저복잡도 나무에서 뛰어난 성능을 보인다.
• L₁ 방법은 희소하거나 노이즈가 많은, 또는 데이터가 누락된 포인트 클라우드에서는 성능이 심각하게 저하되어 잘못되거나 완전하지 않은 뼈대를 생성한다.
• 비균일하게 분포된 포인트 클라우드에서 추출된 뼈대에는 잘못된 가지나 누락된 세그먼트가 나타나 밀도 변화에 대한 민감도를 드러낸다.
• 희소, 노이즈, 누락, 비균일한 포인트 클라우드 유형 간의 Hausdorff 거리 값은 데이터셋의 도전 수준을 확인하며, 더 높은 값은 지정된 뼈대에서의 이격 정도를 나타낸다.
• 이 데이터셋은 https://github.com/liujiboy/TreePointCloud.git 에 공개되어 있으며, 재현 가능한 연구와 알고리즘 벤치마킹을 지원한다.