Ю.А. Маньяков1, П.О. Архипов2, П. Л. Ставцев3

1–3 Орловский филиал ФИЦ ИУ РАН (г. Орел, Россия)
1maniakov_yuri@mail.ru; 2arpaul@mail.ru; 3pavelstavcev@gmail.com

Постановка проблемы. В процессе трехмерной реконструкции в виду различных причин в ее результатах (в основном, представляются в виде облака точек), могут появляться характерные ошибки (зашумленность, неполнота), которые не только ухудшают визуальное восприятие модели исследуемого объекта, но и создают трудности при дальнейшей работе с ним.

Цель. Исследование и анализ существующих state-of-the-art методов постобработки облаков точек.

Результаты. Обзор существующих передовых методов постобработки облаков точек и их аналитика.

Практическая значимость. Результаты исследования позволяют сформулировать подход к разработке комплексного метода постобработки результатов трехмерной реконструкции, который объединяет шумоподавление и методы восстановления полноты облака точек.

Маньяков Ю.А., Архипов П.О., Ставцев П.Л. Исследование и анализ существующих методов постобработки облаков точек // Системы высокой доступности. 2024. Т. 20. № 3. С. 51−58. DOI: https:// doi.org/10.18127/j20729472-202403-05

1. Cristian Sbrolli – State of the Art on: 3D object reconstruction. Politecnico di Milano, Honours Programme, March 2022. 2022.
2. Zhang F., Zhang C., Yang H., Zhao L. Point cloud denoising with principal 915 component analysis and a novel bilateral filter. Traitement du Signal. 2019. V. 36 (5). P. 393–398.
3. Lipman Y., Cohen-Or D., Levin D., Tal-Ezer H. Parameterization-free projection for geometry reconstruction. ACM Transactions on Graphics. 2007. V. 26 (3). P. 22:1–22:5.
4. Lang Zhou, Guoxing Sun, Yong Li, Weiqing Li, Zhiyong Su. Point cloud denoising review: from classical to deep learning-based approaches 2021.
5. Rakotosaona M.-J., La Barbera V., Guerrero P., Mitra N.J., Ovsjanikov M. PointCleanNet: Learning to Denoise and Remove Outliers from Dense Point Clouds. arXiv:1901.01060v3. 2019. DOI: 10.48550/arXiv.1901.01060.
6. Roveri R., A. Öztirel C., Pandele I., Gross M. PointProNets: Consolidation of Point Clouds with Convolutional Neural Networks. EUROGRAPHICS. 2018. V. 37. № 2.
7. Dongbo Zhang, Xuequan Lu, Hong Qin, Ying He. Pointfilter: Point Cloud Filtering via Encoder-Decoder Modeling. arXiv:2002.05968v2. 2020. DOI: 10.48550/arXiv.2002.05968.
8. Hermosilla P., Ritschel T., Ropinski T. Total Denoising: Unsupervised Learning of 3D Point Cloud Cleaning. arXiv:1904.07615v2. 2019. DOI: 10.48550/arXiv.1904.07615.
9. Siheng Chen, Chaojing Duan, Yaoqing Yang, Duanshun Li, Chen Feng, Dong Tian. Deep Unsupervised Learning of 3D Point Clouds via Graph Topology Inference and Filtering. arXiv:1905.04571v2. 2019. DOI: 10.48550/arXiv.1905.04571.
10. Yuan W., Khot T., Held D., Mertz Ch. Martial Hebert. PCN: Point Completion Network. arXiv:1808.00671v3. 2019. DOI: 10.48550/arXiv.1808.00671.
11. Weichao Wu, Zhong Xie, Yongyang Xu, Ziyin Zeng, Jie Wan. Point Projection Network: A Multi-View-Based PointCompletion Network with Encoder-Decoder Architecture. Remote Sens. 2021. V. 13. № 23. P. 4917. DOI: 10.3390/rs13234917.
12. Zitian Huang, Yikuan Yu, Jiawen Xu, Feng Ni, Xinyi Le. PF-Net: Point Fractal Network for 3D Point Cloud Completion. arXiv:2003.00410v1. 2020. DOI: 10.48550/arXiv.2003.00410.
13. Muhammad Sarmad, Hyunjoo Jenny Lee, Young Min Kim. RL-GAN-Net: A Reinforcement Learning Agent Controlled GAN Network for Real-Time Point Cloud Shape Completion. arXiv:1904.12304v1. 2019. DOI: 10.48550/arXiv.1904.12304.
14. Minghua Liu, Lu Sheng, Sheng Yang, Jing Shao, Shi-Min Hu. Morphing and Sampling Network for Dense Point Cloud Completion. arXiv:1912.00280v1. 2019. DOI: 10.48550/arXiv.1912.00280.
15. Alliegro A., Valsesia D., Fracastoro G., Magli E., Tommas T. Denoise and Contrast for Category Agnostic Shape Completion. arXiv:2103.16671v1. 2021. DOI: 10.48550/arXiv.2103.16671.