[论文解读] Implicit LOD for Processing, Visualisation and Classification in Point Cloud Servers

Rémi Cura, Julien Perret+1 more|arXiv (Cornell University)|Jan 1, 2016

Image Processing and 3D Reconstruction参考文献 23被引用 4

一句话总结

本文通过将点云分块并应用 MidOc 排序，提出了一种点云服务器中隐式的细节层次（LOD）机制，以实现在处理和可视化过程中逐步细化。该方法支持高效流式传输，加速计算缓慢的算法，检测密度峰值，并通过嵌入的几何描述符实现即时分类。

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.

研究动机与目标

• 在无需显式多分辨率结构的情况下，实现可移植的、即时生成的点云服务器几何 LOD。
• 通过利用按顺序逐步细化的特性，减少点云大小，以实现高效可视化和流式传输。
• 通过按细节程度递增的顺序处理点，加速计算密集型算法。
• 利用固有的 LOD 结构检测并校正密度变化。
• 嵌入几何特性信息，实现基于维度的快速、多尺度分类与过滤。

提出的方法

• 将输入点云划分为空间块，以实现处理的局部化。
• 在每个块内应用 MidOc 排序，以确保在按顺序读取点时逐步获得更高细节。
• 利用有序序列支持流式传输和可视化或计算过程中的逐步细化。
• 利用排序结构推断多尺度下的几何属性和维度。
• 将 LOD 集成到服务器流水线中，以支持基于几何特性的分类与过滤。
• 通过分析排序序列上的点密度趋势，利用 LOD 实现密度峰值检测与校正。

实验结果

研究问题

• RQ1 如何在点云服务器中不依赖显式多分辨率模型，生成可移植的隐式 LOD？
• RQ2 块的 MidOc 排序能否支持适用于可视化和算法加速的逐步细化？
• RQ3 LOD 结构在多大程度上可支持密度峰值检测与校正？
• RQ4 LOD 是否能隐式编码几何维度信息，以实现快速分类与过滤？
• RQ5 隐式 LOD 在多大程度上提升了点云处理与可视化效率？

主要发现

• 隐式 LOD 通过 MidOc 有序块遍历逐步揭示细节，实现了高效的点云流式传输。
• 该方法通过基于排序的粗粒度到细粒度处理优先级，加速了计算缓慢的算法。
• 利用 LOD 序列上的固有密度趋势，高效实现了密度峰值检测与校正。
• LOD 结构嵌入了几何信息，支持基于维度的快速、即时分类与过滤。
• 该方法在保留几何保真度的同时，通过逐步细化减少了点云大小，适用于可视化。
• 该方法提供了一种轻量级、可移植的 LOD 解决方案，与现有点云服务器架构兼容。