[논문 리뷰] Implicit LOD for Processing, Visualisation and Classification in Point Cloud Servers

Rémi Cura, Julien Perret외 1명|arXiv (Cornell University)|2016. 01. 01.

Image Processing and 3D Reconstruction참고 문헌 23인용 수 4

한 줄 요약

이 논문은 포인트 클라우드 서버에서 포인트를 패치로 그룹화하고 MidOc 순서를 적용하여 처리 및 시각화 중에 渐進적 정밀도 향상을 가능하게 하는 암묵적 수준의 세밀함(LOD) 메커니즘을 소개한다. 이 방법은 효율적인 스트리밍, 느린 알고리즘의 가속화, 밀도 피크 탐지, 통합된 기하 특성 기반 실시간 분류를 지원한다.

ABSTRACT

We propose a new paradigm to effortlessly get a portable geometric Level Of Details (LOD) for a point cloud inside a Point Cloud Server. The point cloud is divided into groups of points (patch), then each patch is reordered (MidOc ordering) so that reading points following this order provides more and more details on the patch. This LOD have then multiple applications: point cloud size reduction for visualisation (point cloud streaming) or speeding of slow algorithm, fast density peak detection and correction as well as safeguard for methods that may be sensible to density variations. The LOD method also embeds information about the sensed object geometric nature, and thus can be used as a crude multi-scale dimensionality descriptor, enabling fast classification and on-the-fly filtering for basic classes.

연구 동기 및 목표

• 암묵적인 다중 해상도 구조 없이도 이식 가능하고 실시간 기하 LOD를 포인트 클라우드 서버에서 가능하게 하기 위해.
• 순서에 따라 점점 더 세밀한 정보를 획득할 수 있도록 순서를 활용하여 포인트 클라우드 크기를 줄여 효율적인 시각화 및 스트리밍을 위해.
• 순서에 따라 거친 것에서부터 세밀한 것까지 처리함으로써 계산 비용이 큰 알고리즘의 가속화를 위해.
• 암묵적 LOD 구조를 이용해 밀도 변화를 탐지하고 수정하기 위해.
• 빠른 다중 척도 분류 및 필터링을 위해 기하적 성격 정보를 통합하기 위해.

제안 방법

• 처리를 국소화하기 위해 입력 포인트 클라우드를 공간 패치로 나누기.
• 각 패치 내부에서 MidOc 순서를 적용하여 점들이 순차적으로 읽힐 때 渐進적 세부 정보 확보 보장하기.
• 순서화된 시퀀스를 활용해 시각화나 계산 중 스트리밍 및 점진적 정밀도 향상 가능하게 하기.
• 순서화된 구조를 이용해 다중 척도에서 기하적 성질과 차원성을 유추하기.
• 서버 파이프라인에 LOD 통합하여 기하적 성격 기반 분류 및 필터링 지원하기.
• 순서를 따라 밀도 추세를 분석함으로써 LOD를 이용해 밀도 피크 탐지 및 보정 수행하기.

실험 결과

연구 질문

• RQ1 암묵적인 다중 해상도 모델 없이 포인트 클라우드 서버 내에서 이식 가능한 암묵적 LOD를 어떻게 생성할 수 있는가?
• RQ2 패치의 MidOc 순서가 시각화 및 알고리즘 가속화에 적합한 점진적 정밀도 향상을 가능하게 하는가?
• RQ3 LOD 구조는 밀도 피크 탐지 및 보정에 어느 정도 기여할 수 있는가?
• RQ4 LOD가 기하 차원성을 암묵적으로 인코딩하여 빠른 분류 및 필터링을 가능하게 하는가?
• RQ5 암묵적 LOD는 포인트 클라우드 처리 및 시각화에서 효율성을 어떻게 향상시키는가?

주요 결과

• 암묵적 LOD는 MidOc 순서로 정렬된 패치 순차 탐색을 통해 점점 더 세밀한 정보를 점진적으로 노출시켜 효율적인 포인트 클라우드 스트리밍을 가능하게 한다.
• 순서에 기반한 거친 것에서부터 세밀한 것까지의 처리 우선순위를 통해 느린 알고리즘의 가속화를 달성한다.
• LOD 시퀀스를 따라 밀도 추세를 분석함으로써 밀도 피크 탐지 및 보정을 효율적으로 수행할 수 있다.
• LOD 구조는 기하 정보를 내장하고 있어 차원성 기반으로 신속하고 실시간 분류 및 필터링을 가능하게 한다.
• 점진적 정밀도 향상을 통해 기하적 정밀도를 유지하면서도 시각화를 위한 포인트 클라우드 크기를 줄일 수 있다.
• 이 방법은 기존 포인트 클라우드 서버 아키텍처와 호환되는 경량이고 이식 가능한 LOD 솔루션을 제공한다.