[论文解读] A novel tree-structured point cloud dataset for skeletonization algorithm evaluation

Yan Lin, Ji Liu+1 more|arXiv (Cornell University)|Jan 9, 2020

3D Shape Modeling and Analysis参考文献 25被引用 9

一句话总结

本论文提出了一种新颖的、公开可用的树状结构点云数据集，包含真实骨架的地面真值，通过隐式曲面建模和虚拟扫描生成，以模拟现实世界中的挑战，如噪声、数据缺失和密度不均。该数据集实现了骨架化算法的标准化、定量评估，通过与L₁方法的基准测试表明，该方法对密度变化和数据退化敏感。

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.

研究动机与目标

• 为评估3D点云骨架化算法，解决缺乏带真实骨架的标准化基准数据集的问题。
• 模拟现实世界3D扫描中常见的采集挑战，如噪声、数据缺失和非均匀密度。
• 通过程序化方式生成包含900棵树木模型的综合性数据集，配备一致的真实骨架，以支持可复现的算法评估。
• 利用豪斯多夫距离等指标，实现骨架化方法的定性和定量比较。
• 通过提供一个稳健、公开可访问的基准，支持未来在3D几何处理领域的研究。

提出的方法

• 使用自定义树木编辑器构建树木骨架及其对应的网格模型，以实现精确的几何表达。
• 采用隐式曲面建模生成高保真度的三角网格，以保留复杂的分支细节。
• 应用虚拟扫描仪从隐式曲面模型中采样点云，以模拟真实的3D扫描条件。
• 从基础扫描中生成四种不同的点云变体：含噪声的、稀疏的、有数据缺失的以及非均匀分布的点云。
• 采用多步采样与处理管道，确保最终数据集在拓扑结构上保持真实性和保真度。
• 通过应用最先进的L₁方法进行骨架提取，并利用豪斯多夫距离将结果与真实骨架进行对比，验证数据集的实用性。

实验结果

研究问题

• RQ1 如何系统性地构建一个标准化的、具有真实骨架的3D点云数据集，以支持算法评估？
• RQ2 常见的挑战（如噪声、数据缺失和非均匀密度）在多大程度上影响现有骨架化算法的性能？
• RQ3 一个包含多种点云条件的基准数据集，能否实现对骨架化方法更可靠和可复现的评估？
• RQ4 L₁方法在复杂树状结构中，面对不同程度的数据退化时表现如何？
• RQ5 在骨架提取中，哪些指标最能有效定量评估拓扑正确性和几何中心性？

主要发现

• 所提出的数据集包含900棵树木模型及其真实骨架，可实现骨架化算法的一致性评估。
• L₁方法在干净、均匀分布的点云上能成功提取出拓扑正确的骨架，尤其在低复杂度树木中表现良好。
• L₁方法在稀疏、含噪声或存在数据缺失的点云上表现出显著性能下降，导致生成错误或不完整的骨架。
• 从非均匀分布点云中提取的骨架显示出错误分支或缺失段，凸显其对密度变化的高度敏感性。
• 不同点云类型（稀疏、含噪声、数据缺失、分布不均）的豪斯多夫距离值证实了该数据集的挑战性，距离越高表示与真实骨架的偏差越大。
• 该数据集已公开发布于 https://github.com/liujiboy/TreePointCloud.git，支持可复现研究与算法基准测试。