Progressive Shape Reconstruction from Raw 3D Point Clouds
Reconstruction progressive de formes à partir de nuages de points 3D
Résumé
With the enthusiasm for digital twins in various domains, surface reconstruction from raw 3D point clouds is increasingly demanded while facing multifaceted challenges. Low cost data acquisition devices make it possible to obtain 3D scans easily and quickly, but may lead to defect-laden point clouds. In addition, users expect lightweight and controllable surface re- construction approaches with personalized criteria depending on their applications. This thesis aims at addressing these issues by contributing several approaches to the problem of surface reconstruction from two aspects: (1) point cloud comprehension and (2) surface reconstruction with a priori information.
Concretely, we first propose the notion of progressive discrete domain for global implicit re- construction approaches that refines and optimizes a discrete 3D domain in accordance with both input and output, and to user-defined criteria. Based on such a domain discretization, we devise a progressive primitive-aware surface reconstruction approach with the capacity to refine the implicit function and its representation, in which the most ill-posed parts of the re- construction problem are postponed to later stages of the reconstruction, and where the fine geometric details are resolved after discovering the topology. Secondly, we contribute a deep learning-based approach that learns to detect and consolidate sharp feature points on raw 3D point clouds, whose results can be taken as additional inputs to consolidate sharp features for the previous reconstruction approach. Finally, we contribute a variational shape reconstruction method from unoriented point clouds, leveraging both quadric error metrics (QEM) and clus- tering through variational partitioning. The output triangle mesh is concise and anisotropic, with mesh vertices equidistributed along sharp creases.
In summary, this thesis seeks effective surface reconstruction from a global and progressive perspective. By combining multiple priors and designing meaningful criteria, the contributed approaches can deal with various defects and multi-scale features.
Avec l’enthousiasme pour les jumeaux numériques dans divers domaines, la reconstruction de surfaces à partir de nuages de points 3D est de plus en plus nécessaire, tout en faisant face à des défis scientifiques multiformes. Les dispositifs d’acquisition de données à faible coût permettent d’obtenir facilement et rapidement des scans 3D, mais peuvent conduire à des nuages de points 3D avec défauts. De plus, les utilisateurs attendent des approches de reconstruction de surface légères et contrôlables avec des critères personnalisés en fonction de leurs applications. Cette thèse vise à aborder ces questions en apportant plusieurs approches au problème de la reconstruction de surface sous deux aspects : (1) l’analyse de nuages de points, et (2) la reconstruction de surface avec des informations a priori.
Nous proposons d’abord une discrétisation progressive (grossier vers fin) du domaine pour les approches globales implicite, leur permettant de gérer divers défauts. Cette méthode est étendue pour être informée par des primitives détectées dans le nuage de points. Ensuite, nous présentons une approche basée sur l’apprentissage profond qui apprend à détecter et à consoli- der des points appartenant aux singularités (coins, arêtes vives) dans le nuage de points 3D. Ces point singuliers sont ensuite considérés comme une entrée supplémentaire à la méthode de re- construction progressive. Enfin, nous apportons une méthode de reconstruction variationnelle à partir de nuages de points non-orientés, tirant parti à la fois des métriques d’erreur quadra- tiques et du clustering via partitionnement variationnel. Le maillage triangulaire de sortie est concis et anisotrope, avec des sommets de maillage répartis sur les arêtes vives.
En résumé, cette thèse vise à contribuer des approches efficientes pour la reconstruction de surfaces dans une perspective globale et progressive. En combinant plusieurs a priori et en prenant en compte différents critères, les méthodes proposées peuvent traiter divers défauts et détails à plusieurs échelles.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
