In-core level-of-detail generation for point clouds on GPUs using CUDA

Abstract

In dieser Masterarbeit stelle ich PotreeConverterGpu vor, eine GPU-basierte Software zur Erzeugung von Octree-basierten Level-Of-Detail Strukturen (LOD) aus Punktwolken. Die resultierenden LODs sind vollständig kompatibel mit Potree, einem Punktwolken-Renderer zur Darstellung von großen Punktwolken im Webbrowser. In der Vergangenheit wurden bereits verschiedene Algorithmen zur Erzeugung von Punktwolken-LODs vorgeschlagen. Obwohl diese Lösungen unterschiedliche Schwerpunkte, Vor- und Nachteile hatten, zielten sie alle auf einen hohen Punktedurchsatz, sowie eine hohe visuelle Qualität der erzeugten Detailabstraktionen ab. Die implementierten LOD-Generierungsalgorithmen in dieser Masterarbeit basieren hauptsächlich auf Potree-Converter, wurden aber vor allem in Bezug auf den Punktedurchsatz und der visuellen Qualität der generierten LODs verbessert. PotreeConverterGpu erreicht einen Punktedurchsatz, der - abhängig von der gewünschten visuellen Qualität der generierten LODs - 13-mal (höchste Qualität) bis 85-mal (niedrigste Qualität) höher ist als bei PotreeConverter 2.x. Diese Leistungssteigerung ist das Ergebnis einer hochoptimierten GPGPU-Implementierung auf der Basis von CUDA. Während LODs, die mit der aktuellen PotreeConverter-Implementierung erzeugt werden unter Aliasing-Artefakten leiden, löst PotreeConverterGpu dieses Problem, indem die Software eine abstandsbasierte Farbfilterung für Punktwolken bereitstellt. Dies ermöglicht hochwertige Punktwolken-Renderings mit deutlich verminderten Aliasing-Artefakten, bei gleichzeitiger Beibehaltung von Texturdetails. Aufgrund seiner wohldefinierten Software-API und Architektur ermöglicht PotreeConverterGpu außerdem eine einfache Integration der LOD-Generierung für Punktwolken in industriellen Anwendungen. Ein Beispiel für eine solche Applikation ist Inline Computational Imaging (ICI), eine Hochgeschwindigkeits- und Hochpräzisions-3D-Sensortechnologie des AIT Austrian Institute of Technology GmbH. Um eine ICI kompatible LOD-Generierung zu ermöglichen, wurde diese Masterarbeit in Kooperation mit dem AIT durchgeführt.

In this master’s thesis, I present PotreeConverterGpu, a GPU-based software for generating octree-based Level-Of-Detail Structures (LOD) structures from point clouds. The resulting LODs are fully-compatible with Potree, a point cloud renderer for viewing large point clouds in the web browser. In the past, several different point cloud LOD generation algorithms have been proposed. Although these solutions had different focuses, advantages, and disadvantages, they all aimed at providing a high point throughput as well as a high visual quality of the generated detail abstractions. In this thesis, the implemented LOD generation algorithms rely mainly on PotreeConverter but have been improved especially in terms of point throughput and the visual quality of the generated LODs. PotreeConverterGpu achieves a point throughput that is – depending on the desired visual quality of the generated LODs – 13 times (highest quality) up to 85 times (lowest quality) higher than within PotreeConverter 2.x. This performance improvement is the result of a highly-optimized GPGPU implementation based on CUDA. While LODs generated with the current PotreeConverter implementation suffer from aliasing artifacts, PotreeConverterGpu solves this problem by providing distance-based color filtering for point clouds. This enables high-quality point cloud renderings with significantly reduced aliasing artifacts while preserving textural details. Due to its well-defined software API and architecture, PotreeConverterGpu also enables easy integration of LOD generation for point clouds into industrial applications. One example for such an application is Inline Computational Imaging (ICI), a high-speed and high-precision 3D sensing technology of the AIT Austrian Institute of Technology GmbH. To provide an ICI-compatible LOD generation, this master thesis was conducted in cooperation with the AIT.