[논문 리뷰] StretchDenoise: Parametric Curve Reconstruction with Guarantees by Separating Connectivity from Residual Uncertainty of Samples

Stefan Ohrhallinger, Michael Wimmer|arXiv (Cornell University)|2018. 01. 01.

3D Shape Modeling and Analysis참고 문헌 1인용 수 3

한 줄 요약

이 논문은 고도로 노이즈가 섞인 점군에서 닫힌, 노이즈 제거된 2차원 곡선을 복원하기 위한 파rameter-free인 두 단계 방법인 StretchDenoise를 제안한다. 이 방법은 먼저 FITCONNECT를 사용해 다양체 연결성을 추론하고, 이후 노이즈 한계 내에서 정점 위치를 최적화하여 각도 편차를 최소화하고 서명된 하우스도르프 거리의 균형을 맞추어 연결성 복원과 잔여 노이즈 제거를 분리한다. 이로써 확률적 오차 보장을 달성하고 과도하게 매끄럽게 만드는 것을 방지하며 특징을 유지한다.

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

연구 동기 및 목표

• 비정형적이고 고도로 노이즈가 섞인 2차원 점군에서 닫힌, 특징을 유지하는 곡선을 복원하는 문제에 대응하기 위해.
• 기존 방법에서 상호의존성으로 인해 과도하게 매끄럽게 만드는 결과 또는 비다양체 출력이 발생하는 연결성 추정과 노이즈 모델링 간의 상호의존성을 깨뜨리기 위해.
• 센서 노이즈 모델 또는 추정된 노이즈 범위를 기반으로 확률적 오차 경계를 제공하는 파rameter-free 복원 방법을 제공하기 위해.
• 노이즈 한계를 존중하면서 다각형 표현에서의 각도 편차를 최소화하여 복원 정확도를 향상시키기 위해.
• 실제 응용, 예를 들어 깊이 영상에서 실루엣 추출에 적합한 실용적이고 빠르며 검증 가능한 곡선 복원을 가능하게 하기 위해.

제안 방법

• 첫 번째 단계에서는 FITCONNECT를 사용해 점점 증가하는 척도에서 원호를 피팅함으로써 다양체 연결성을 복원하고, 샘플, 관련 법선 및 이웃 관계를 갖는 희소 다각형을 생성한다.
• 두 번째 단계에서는 노이즈 제거 문제를 제약 조건이 있는 최소 제곱 최적화 문제로 모델링하여 다각형의 변들 간의 제곱 각도 편차의 합을 최소화한다.
• 최적화는 정점 이동을 노이즈 범위(확률 밀도 함수의 커프오프 반경) 내로 제한하여 확률적 오차 경계를 확보한다.
• 곡선이 샘플들에 대해 안쪽/바깥쪽 거리의 균형을 유지하도록 서명된 거리를 균형 잡는다.
• 경계 조건이 있는 고유한 최소 제곱 해법을 사용하여 최적화를 처리하며, 효율성과 정확도를 위해 고차수 함수를 선형 모델로 근사한다.
• 이 방법은 파rameter-free이며 연결성에 의해 정의된 이웃 영역에서 국소적으로 작동하므로 빠르고 확장 가능한 계산이 가능하다.

실험 결과

연구 질문

• RQ1 두 단계 접근법이 노이즈가 많은 2차원 점군에서 과도하게 매끄럽게 만드는 것을 방지하면서도 특징을 유지하는 동시에 연결성 복원과 노이즈 제거를 분리할 수 있는가?
• RQ2 노이즈 범위가 알려지거나 추정되었을 때 재구성된 곡선에 대해 확률적 오차 경계를 어떻게 보장할 수 있는가?
• RQ3 다각형 표현에서의 각도 편차를 최소화하는 것으로 곡선 복원 품질을 어느 정도 향상시킬 수 있으며, 이로 인해 잡음이 발생하는가?
• RQ4 파rameter-free 방법이 최신 기술보다 더 높은 복원 정확도를 달성하면서도 계산 효율성을 유지할 수 있는가?
• RQ5 노이즈 조건이 다양할 때, 이 방법이 인공 구조물의 날카운 특징과 직선 세그먼트를 어느 정도 잘 유지하는가?

주요 결과

• 이 방법은 센서 노이즈 모델 또는 FITCONNECT로 추정한 범위를 기반으로 확률적 오차 경계를 보장하면서 노이즈가 섞인 점군에서 노이즈 제거된 곡선을 성공적으로 복원한다.
• 실제 데이터에서는 센서에서 지정한 노이즈 범위를 사용할 경우 추정된 범위를 사용할 경우보다 더 정확한 복원 결과를 얻는다. 특히 저노이즈 영역에서 두드러진다.
• 이 알고리즘은 일반적인 가우스 또는 이동 최소 제곱 방법에서 자주 매끄럽게 처리되는 날카운 특징과 돌출된 이빨 모양의 구조를 잘 유지한다.
• 균일한 노이즈 범위 영역에서는 샘플들에 대한 곡선의 안쪽/바깥쪽 거리 균형을 유지하여 영역 수축을 방지한다.
• 경계 조건이 있는 제약 최소 제곱 해법은 최적화를 효과적으로 처리하여 국소 이웃 영역에서 신속하고 신뢰할 수 있는 수렴을 가능하게 한다.
• 비균일한 샘플링과 높은 노이즈 조건에서도 BUNNY와 DOLPHIN과 같은 복잡한 형태를 닫고 노이즈를 제거하는 데 Robust HPR 및 기타 최신 기술보다 뛰어난 성능을 보인다.