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

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

Постановка проблемы. В настоящее время, ввиду несовершенства технологий сканирования и методов трехмерной реконструкции, большинство их результатов имеют искажения в виде шумов и неполноты. Современные способы их устранения направлены на устранение лишь одного из типов дефектов и не всегда эффективны.

Цель. Разработка информационной модели метода постобработки трёхмерной реконструкции направленного на устранение зашумленности и неполноты облака точек.

Результаты. Результатом работы является информационная модель метода постобработки трёхмерной реконструкции, объединяющая в себя функции шумоподавления и восстановления полноты результатов трёхмерной реконструкции.

Практическая значимость. Полученная информационная модель является основой для разработки информационной технологии постобработки трехмерной реконструкции, с целью повышения качества и точности результатов трехмерной реконструкции и трехмерного сканирования.

Маньяков Ю.А., Архипов П.О., Ставцев П.Л. Информационная модель метода постобработки трёхмерной реконструкции // Системы высокой доступности. 2025. Т. 21. № 2. С. 66−73. DOI: https://doi.org/ 10.18127/j20729472-202502-06

1. Медведев М.В., Кирпичников А.П. Трехмерная реконструкция объектов в системе технического зрения мобильного робота // Вестник Казанского технологического университета. 2014. Т. 17. № 15. С. 326–330.
2. Черткова Я.В., Катасонов Д.Н., Баталова К.В. Обзор средств трёхмерной реконструкции // Интерэкспо Гео-Сибирь. 2021. Т 6. DOI: 10.33764/2618-981X-2021-6-293-298
3. 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: 10.18127/j20729472-202403-05
4. Marie-Julie Rakotosaona, Vittorio La Barbera, Paul Guerrero, Niloy J. Mitra, Maks Ovsjanikov. PointCleanNet: Learning to Denoise and Remove Outliers from Dense Point Clouds. arXiv:1901.01060v3. 2019. DOI: 10.48550/arXiv.1901.01060
5. Riccardo Roveri, A. Cengiz Öztirel, Ioana Pandele, Markus Gross. PointProNets: Consolidation of Point Clouds with Convolutional Neural Networks // EUROGRAPHICS. 2018. V. 37. № 2.
6. 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
7. Wentao Yuan, Tejas Khot, David Held, Christoph Mertz, Martial Hebert. PCN: Point Completion Network. arXiv:1808.00671v3. 2019. DOI: 10.48550/arXiv.1808.00671
8. 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
9. 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
10. Antonio Alliegro, Diego Valsesia, Giulia Fracastoro, Enrico Magli, Tatiana Tommas. Denoise and Contrast for Category Agnostic Shape Completion. arXiv:2103.16671v1. 2021. DOI: 10.48550/arXiv.2103.16671
11. Chang A.X., Funkhouser T., Guibas L., Hanrahan P., Huang Q. and Li Z., Savarese S., Savva M., Song S., Su H., Xiao J., Yi L., Yu F. ShapeNet: An Information-Rich 3D Model Repository. arXiv:1512.03012v1. 2015. DOI: 10.48550/arXiv.1512.03012