[논문 리뷰] Denoising a Point Cloud for Surface Reconstruction

Siu-Wing Cheng, Man-Kit Lau|arXiv (Cornell University)|2017. 04. 13.

3D Shape Modeling and Analysis참고 문헌 24인용 수 7

한 줄 요약

이 논문은 표면 법선 추정이나 표면 피팅에 의존하지 않고, 높은 수준의 화이트 노이즈, 군집화된 이상치, 그리고 큰 노이즈가 가미된 변형을 효과적으로 처리하는 빠르고 강력한 비정규 포인트 클라우드 정제 방법을 제안한다. 이 방법은 옥트리 기반 클러스터링, 변형의 통계적 필터링, 그리고 더 흐린 포인트 집합에서의 메쉬리스 라플라시안 스무딩을 사용하여 기존의 표면 재구성 코드에 비해 노이즈에 대한 강건성과 계산 효율성이 뛰어나다.

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.

연구 동기 및 목표

• 후속 표면 재구성에 적합하도록, 높은 수준의 화이트 노이즈, 군집화된 이상치, 그리고 큰 변형을 포함한 비정규 포인트 클라우드를 정제하는 문제를 해결하기 위해.
• 표면 법선 추정에 의존하지 않으며, 과도한 노이즈 수준(화이트 노이즈 100% 초과 및 경계 상자 크기 대비 2%의 변형)에서도 계산 효율성이 뛰어나고 강건한 방법을 개발하기 위해.
• 기존 방법이 취약해지는 정확한 표면 법선 추정에 의존하지 않도록 하기 위해.
• 심각한 오염 조건에서도 위상적 정확성과 표면 품질을 유지하여 후속 재구성 알고리즘에 신뢰성 있게 활용할 수 있도록 하기 위해.
• Robust Cocone 등의 표면 재구성 코드 성능을 향상시키기 위한 전처리 파이프라인을 제공하기 위해.

제안 방법

• 가장 큰 클러스터(들)가 표표면을 나타내고 나머지는 노이즈 또는 이상치로 간주되어 제거되는, 새로운 옥트리 분해를 사용하여 데이터 포인트를 클러스터링한다.
• 옥트리 박스에 대한 통계 분석을 적용하여 큰 노이즈가 가미된 변형을 가진 포인트를 필터링하고, 이를 최종 스무딩 단계에서 분리한다.
• 계산 비용을 줄이고 스무딩 중 밀도 유도 변형을 방지하기 위해, 남아 있는 데이터 포인트를 기반으로 더 흐린 포인트 집합을 구성한다.
• 이웃 포인트를 그룹화하고 각 그룹에서 하나의 대표 포인트를 선택하여, 더 흐린 포인트 집합에서 메쉬리스 라플라시안 스무딩을 수행함으로써 균일한 분포와 안정성을 확보한다.
• 표면 피팅, 법선 추정, 암묵 함수 구축을 피함으로써 파이프라인을 단순화하고 속도 및 강건성을 향상시킨다.
• 반복적 정밀 조정: 먼저 큰 변형과 이상치를 제거하고, 그 다음 더 깨끗한 집합에 대해 스무딩을 적용하여 불균일한 샘플링으로 인한 변형을 방지한다.

실험 결과

연구 질문

• RQ1 표면 법선에 의존하지 않고, 화이트 노이즈 100% 초과 및 군집화된 이상치를 효과적으로 처리할 수 있는 정제 방법이 존재하는가?
• RQ2 표면의 위상과 품질을 유지하면서, 경계 상자 직경 대비 2%의 변형이 포함된 극한의 노이즈 수준에서도 포인트 클라우드를 어떻게 정제할 수 있는가?
• RQ3 희소화된 포인트 집합에서 메쉬리스 라플라시안 스무딩 접근 방식이 기존의 원본 포인트를 직접 스무딩하는 방법보다 우월한가?
• RQ4 이상치 제거와 변형 필터링을 분리함으로써 강건성이 향상되고 스무딩 중 변형을 방지할 수 있는가?
• RQ5 실제의 복잡한 구조를 가진 스캔 데이터에서 고정밀도를 유지하면서도 계산 효율성이 뛰어나게 구현할 수 있는가?

주요 결과

• 제안된 방법은 화이트 노이즈 100%까지, 변형 2%까지의 포인트 클라우드를 성공적으로 정제하였으며, Robust Cocone, AMLS, Sign-the-Unsigned와 같은 기존 표면 재구성 코드보다 고노이즈 조건에서 성능이 뛰어났다.
• 1% 및 2%의 가우시안 노이즈 실험에서, 의자 및 해피 불다 데이터 세트에서 올바른 위상 구조를 유지하였고, Robust Cocone, AMLS, Sign-the-Unsigned는 실패하였다.
• 드래곤 데이터 세트의 경우 0.5% 노이즈에서 손상된 출력을 보였지만, 이는 노이즈 제거 후 잔류된 변형 때문이었으며, 필터링만으로는 부족함을 시사하였다.
• 60–100%의 균일한 화이트 노이즈와 확률적 군집 이상치 조건에서, 방법은 올바른 위상과 표면 품질을 유지하였고, Sign-the-Unsigned는 아르마딜로와 번니 이외의 모든 모델에서 실패하였다.
• 실행 시간은 합리적이었으며, 드래곤(270만 개 포인트)과 같은 큰 데이터 세트에서도 고노이즈 조건에서도 10분 이내에 완료되어 더 느린 대안들보다 뛰어난 성능을 보였다.
• 레임세스와 wFish와 같은 복잡한 모델에서도 강건성을 입증하였지만, 과도한 포인트 삭제 후 샘플 수가 부족해 일부 함몰부와 구멍이 발생하였다.