Local reconstruction using isotropically fair neighborhoods

Abstract

Durch die stetig steigende Verfügbarkeit von 3D Scannern in der Industrie und der Unterhaltungsbranche, sind schnelle und zuverlässige Rekonstruktionsmethoden besonders wichtig. Punktwolken, vor allem sogenannte ''Range Images'' aus 3D Scannern sind oft nicht uniform abgetastet und haben auch variables Rauschverhalten. Aktuelle Methoden des Stands der Technik verlassen sich meist darauf, dass die Größe des Rauschens über Parameter durch den Benutzer bestimmt wird. Dadurch wird ein, für das gesamte Modell gültiger Rausch-Wert bestimmt, was bei variablen (nicht uniformen) Rausch-Werten zu größeren Fehlern in der Rekonstruktion führt. In dieser Arbeit stellen wir eine anisotrope Nachbarschaftsdefinition vor, die speziell für nicht uniform abgetastete Punktwolken entworfen ist. Unser iterativer resampling-Ansatz schätzt den Rauschanteil an jedem Punkt und passt sich diesem an. Dadurch wird die Qualität der Rekonstruktion erhöht, ohne, dass der Benutzer Parameterwerte setzen muss. Die Datenstrukturen, die während des resamplings erzeugt werden, sorgen für eine schnellere, global konsistente Orientierung der Normalen der Punktwolke. Evaluierung unserer Methode zeigt, dass sie bessere Ergebnisse bei verschieden großen Rauschanteilen und nicht uniformer Abtastung liefert als Verfahren des aktuellen Stands der Technik. Sowohl der resampling Vorgang als auch die konsistente Normalen Orientierung arbeiten nur mit lokalen Daten und können daher effizient parallel implementiert werden. Unsere GPU-Implementierung für die Kugel-Regression ist um den Faktor 20 schneller als der gewöhnliche sequentielle Ansatz.

The increasing availability of 3D scanning devices in both industrial and entertainment environments (e.g. Kinect) creates a demand for fast, reliable resampling and reconstruction techniques. Point clouds, especially raw range images, are often non-uniformly sampled and are subject to non-uniform noise levels. Current state-of-the-art techniques often require user-provided parameters that estimate the noise level of the point-cloud. This produces sub-optimal results for point-sets with varying noise extent. We propose an anisotropic neighborhood definition which is specifically designed to address non- uniformly sampled point-clouds. Our iterative point cloud resampling method estimates and adapts to the local noise level at each sample. This increases the reconstruction quality for point clouds with high noise levels while being completely parameter free. The data-structures built during the resampling process are reused to speed up the pro- cess of creating a consistent normal orientation. Evaluation of the resampling quality shows that our technique outperforms current state-of-the-art methods for varying noise levels and non-uniform sampling. Both the resampling algorithm and the subsequent consistent normal orientation operate locally and can be implemented efficiently in parallel. Our GPU sphere regression implementation outperforms the standard sequential procedure by a factor of 20.