GP-PCS: One-shot Feature-Preserving Point Cloud Simplification with Gaussian Processes on Riemannian Manifolds

要約

大規模な点群の処理、保存、送信は、コンピュータ ビジョン コミュニティにおける継続的な課題であり、自動運転、仮想現実、リモート センシングなど、現実世界の設定への 3D モデルの適用の進歩を妨げています。
我々は、事前の表面再構成ステップを行わずに、点群の顕著な構造的特徴と全体的な形状の両方を保存する、新しいワンショット点群単純化方法を提案します。
私たちの方法では、リーマン多様体で定義された関数に適したガウス過程を採用しており、任意の点群全体にわたる表面変動関数をモデル化できます。
元のクラウドの簡略化されたバージョンは、貪欲なスパース化スキームを使用して点を順番に選択することによって取得されます。
このスキームに使用される選択基準により、単純化された雲が元の点群の表面変化を最もよく表すことが保証されます。
私たちは、いくつかのベンチマークおよび自己取得点群で私たちの方法を評価し、それをさまざまな既存の方法と比較し、位置合わせと表面再構成の下流タスクへの適用を実証し、私たちの方法が経験的パフォーマンスと計算上の両方の点で競争力があることを示します。
効率。

要約(オリジナル)

The processing, storage and transmission of large-scale point clouds is an ongoing challenge in the computer vision community which hinders progress in the application of 3D models to real-world settings, such as autonomous driving, virtual reality and remote sensing. We propose a novel, one-shot point cloud simplification method which preserves both the salient structural features and the overall shape of a point cloud without any prior surface reconstruction step. Our method employs Gaussian processes suitable for functions defined on Riemannian manifolds, allowing us to model the surface variation function across any given point cloud. A simplified version of the original cloud is obtained by sequentially selecting points using a greedy sparsification scheme. The selection criterion used for this scheme ensures that the simplified cloud best represents the surface variation of the original point cloud. We evaluate our method on several benchmark and self-acquired point clouds, compare it to a range of existing methods, demonstrate its application in downstream tasks of registration and surface reconstruction, and show that our method is competitive both in terms of empirical performance and computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google