Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 기사는 방향성 포인트 클라우드에서 중간 메쉬를 추출하는 새로운 프레임워크인 DC-SQEM을 제안합니다. 이 방법은 듀얼 컨투어링과 구면 사차 에러 메트릭(SQEM)을 활용하여, 워터타이트 매니폴드에 의존하지 않고도 기하학적 특징을 보존하는 중간 구조를 계산합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.GR (Graphics)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기중간 축(medial axis)은 압축적인 표현으로서 경계뿐만 아니라 모양의 내부까지 설명하며, 모양 분석 및 단순화에 광범위하게 사용되어 왔습니다. 하지만 방향성 포인트 클라우드와 같은 비정형 데이터에서 특징을 보존하는 중간 축을 근사하는 것은 명시적인 연결성의 부족과 소스 내 노이즈 존재로 인해 여전히 어려운 과제입니다. 우리는 DC-SQEM이라는 듀얼 컨투어링 기반 프레임워크를 제안하며, 이 방법은 워터타이트(watertight) 매니폴드 표면이나 체적 구조에 의존하지 않고 방향성 포인트 클라우드로부터 중간 메쉬(중간 축의 명시적 표현)를 직접 계산합니다. 적응형 옥트리(adaptive octree)의 도움을 받아, 우리의 방법은 구면 사차 에러 메트릭(Spherical Quadric Error Metric, SQEM)을 기반으로 각 셀에 국부적인 중간 구체(local medial spheres)를 맞춥니다. 우리는 아웃-오브-셀 솔루션(out-of-cell solutions), 불안정한 특징 분류, 중복된 위상 연결 등 듀얼 컨투어링 및 메쉬 추출의 오랜 견고성 문제들을 해결합니다. 이를 위해 우리는 가상 노드(virtual nodes), 특징 다운그레이딩 전략(feature-downgrading strategy), 그리고 기하학 기반의 토폴로지 인식 정리 절차(geometry-driven topology-aware cleanup procedure)를 도입하여, 깨끗한 메쉬 출력을 갖는 견고한 SQEM 기반 중간 듀얼 컨투어링을 가능하게 합니다. 단지 1D 골격 구조만 생성하거나 불완전한 중간 특징만을 생성하는 이전의 포인트 클라우드 기반 방법들과 달리, 우리의 방법은 입력으로부터 날카로운 기하학적 특징들을 보존하고 시트(sheets), 곡선(curves), 심(seams), 접합부(junctions)를 포함하여 완전한 중간 구조를 재구성합니다. 제한된 전력 다이어그램 기반 접근 방식과 비교했을 때, 우리의 알고리즘은 워터타이트성이나 매니폴드성에 대한 강한 요구사항 없이 포인트 클라우드를 입력으로 처리할 수 있습니다.