Weighted Poisson-disk Resampling on Large-Scale Point Clouds
作者: Xianhe Jiao, Chenlei Lv, Junli Zhao, Ran Yi, Yu-Hui Wen, Zhenkuan Pan, Zhongke Wu, Yong-jin Liu
分类: cs.CV, cs.CG
发布日期: 2024-12-12 (更新: 2024-12-16)
备注: Accepted to AAAI 2025
💡 一句话要点
提出加权泊松盘重采样方法，提升大规模点云处理的效率和几何一致性
🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting)
关键词: 点云处理 重采样 泊松盘采样 Voronoi图 特征保持
📋 核心要点
- 现有大规模点云重采样方法难以兼顾效率、精度和几何一致性，尤其是在处理海量数据时性能下降明显。
- 论文提出加权泊松盘重采样方法，通过体素估计优化泊松盘半径，并采用加权切线平滑优化Voronoi图，保持锐利特征。
- 实验结果表明，该方法显著提升了大规模点云重采样的性能，为不同应用提供了更高效实用的解决方案。
📝 摘要（中文）
针对大规模点云处理中重采样在控制点数量和密度，同时保持几何一致性的重要作用，以及现有方法难以平衡这些需求的问题，尤其是在大规模点云上效率和精度下降的挑战，本文提出了一种加权泊松盘（WPD）重采样方法，以提高处理的可用性和效率。首先，设计了一种基于体素估计策略的初始泊松重采样，能够更准确地估计泊松盘半径，同时保持高效率。然后，设计了一个加权切线平滑步骤，以进一步优化每个点的Voronoi图。同时，在优化结果中检测并保留锐利特征，并具有各向同性。最后，实现了从原始点云的重采样复制，具有指定的点数、均匀的密度和高质量的几何一致性。实验表明，该方法显著提高了大规模点云重采样在不同应用中的性能，并提供了一种高度实用的解决方案。
🔬 方法详解
问题定义：大规模点云重采样旨在减少点云数量，同时保持原始点云的几何特征。现有方法在大规模点云上效率较低，且难以在保持几何细节（如锐利特征）的同时实现均匀的采样密度。因此，需要一种高效且能保持几何一致性的重采样方法。
核心思路：论文的核心思路是结合泊松盘采样和Voronoi图优化，通过体素化的方式加速泊松盘半径的估计，并利用加权切线平滑优化Voronoi图，从而在保证采样均匀性的同时，更好地保留点云的几何特征。
技术框架：该方法主要包含三个阶段：1) 基于体素估计的初始泊松重采样：利用体素结构加速泊松盘半径的估计，进行初步的泊松盘采样。2) 加权切线平滑：通过加权切线向量对每个点的Voronoi图进行优化，使采样点分布更加均匀。3) 特征保持：在切线平滑过程中检测并保留锐利特征，防止过度平滑。
关键创新：该方法的关键创新在于：1) 提出了基于体素的泊松盘半径估计方法，提高了计算效率。2) 设计了加权切线平滑步骤，能够有效地优化Voronoi图，改善采样点的分布均匀性。3) 实现了锐利特征的自动检测和保持，避免了过度平滑。
关键设计：在初始泊松重采样阶段，体素大小的选择会影响半径估计的精度和效率。在加权切线平滑阶段，权重的设置决定了平滑的程度，需要根据点云的局部特征进行调整。特征检测部分，需要设定合适的角度阈值来判断是否为锐利特征。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在保持几何一致性的前提下，显著提高了大规模点云重采样的效率。与现有方法相比，该方法在点云密度均匀性、特征保持能力和运行时间方面均有明显优势。具体性能数据未知，但摘要强调了“显著提高”和“高度实用”。
🎯 应用场景
该研究成果可广泛应用于三维重建、逆向工程、自动驾驶、机器人导航、文化遗产数字化等领域。通过高效的点云重采样，可以降低后续处理的计算复杂度，提高算法的效率和精度。例如，在自动驾驶中，可以对激光雷达扫描的点云进行重采样，减少数据量，提高实时性；在三维重建中，可以对扫描的点云进行重采样，优化点云的分布，提高重建质量。
📄 摘要（原文）
For large-scale point cloud processing, resampling takes the important role of controlling the point number and density while keeping the geometric consistency. % in related tasks. However, current methods cannot balance such different requirements. Particularly with large-scale point clouds, classical methods often struggle with decreased efficiency and accuracy. To address such issues, we propose a weighted Poisson-disk (WPD) resampling method to improve the usability and efficiency for the processing. We first design an initial Poisson resampling with a voxel-based estimation strategy. It is able to estimate a more accurate radius of the Poisson-disk while maintaining high efficiency. Then, we design a weighted tangent smoothing step to further optimize the Voronoi diagram for each point. At the same time, sharp features are detected and kept in the optimized results with isotropic property. Finally, we achieve a resampling copy from the original point cloud with the specified point number, uniform density, and high-quality geometric consistency. Experiments show that our method significantly improves the performance of large-scale point cloud resampling for different applications, and provides a highly practical solution.