사용자 주도 자유형 자산 모델링: 점 구름 기반 원시 형상 복원

초록

본 논문은 점 구름 데이터에 대해 초보 사용자가 자유롭게 스케치를 입력하면, 해당 영역을 자동으로 원시 프리미티브(타원체·원통 등)로 피팅하고, 이후 포아송 재구성을 통해 폐쇄형 메쉬를 생성하는 시스템을 제안한다. 기존 자동화 기법과 비교해 시각적 품질이 우수하고, 큰 구멍이 있는 occlusion 영역도 효과적으로 메우는 장점을 보인다.

상세 분석

이 연구는 점 구름 기반 모델링 파이프라인에 ‘사용자 가이드’를 결합함으로써, 완전 자동 방식이 갖는 구조적 제약과 노이즈·구멍 문제를 보완한다. 핵심 아이디어는 두 개의 뷰(이미지와 3D 점 구름)에서 사용자가 자유형 곡선을 색상으로 스케치하면, 시스템이 해당 스케치를 이미지‑점 구름 매핑을 통해 3D 좌표 집합으로 변환한다는 점이다. 변환된 점 집합은 가우시안 잡음 가정 하에 베이지안 확률 모델링을 적용해 확률 임계값을 넘는 점들을 추출하고, 이를 기반으로 최대우도(MLE) 방식으로 원시 프리미티브(타원·원통)를 파라미터화한다.

프리미티브 피팅은 두 가지 시나리오로 나뉜다. 첫 번째는 ‘전체 표면 피팅’으로, 하나의 점 구름에서 타원 또는 원통을 직접 추정한다. 여기서는 6개의 파라미터(중심, 축 길이, 회전)를 최소제곱법으로 최적화한다. 두 번째는 ‘곡선 결합’ 방식으로, 두 개의 점 구름을 각각 곡선으로 모델링한 뒤, 수직 추출(Perpendicular Extrusion)이나 보간(Interpolation) 기법을 이용해 서피스를 생성한다. 곡선 모델링에는 잠재 변수(Latent Variable) 모델을 도입해, 스케치된 2D 곡선을 3D 공간의 연속적인 파라메트릭 곡선으로 복원한다.

피팅된 프리미티브는 포아송 서피스 재구성 단계에서 입력되어, 서로 다른 프리미티브 사이의 경계와 구멍을 자연스럽게 메우는 폐쇄형 메쉬를 만든다. 이 과정은 기존 Poisson Reconstruction 알고리즘을 그대로 활용하므로, 구현 복잡도가 크게 증가하지 않는다.

실험에서는 동일 데이터셋에 대해 기존 자동화 기법(예: Poisson, Gaussian Process 기반)과 정량·정성 비교를 수행하였다. 정량적으로는 평균 정점 거리와 표면 정상성에서 10~15% 정도 개선을 보였으며, 정성적으로는 특히 큰 occlusion 구역에서 사용자가 자유형 스케치를 통해 직관적으로 형태를 제시함으로써, 자동 기법이 생성하는 비정형 파편을 크게 감소시켰다. 또한, 사용자 인터페이스는 색상 기반 스케치와 실시간 뷰포트 연동을 제공해, 초보자도 몇 번의 클릭만으로 복잡한 건축물의 기본 형태를 재현할 수 있다.

한계점으로는 현재 프리미티브 종류가 타원·원통에 국한되어 있어, 복합적인 곡면(예: 구면·하이퍼볼릭 등)이나 자유곡면을 직접 피팅하기 어렵다는 점이다. 또한, 베이지안 임계값 설정이 데이터마다 민감하게 작용해, 자동 파라미터 튜닝이 필요하다. 향후 연구에서는 프리미티브 라이브러리를 확장하고, 딥러닝 기반의 노이즈 모델링을 도입해 사용자 입력 최소화와 정확도 향상을 목표로 할 수 있다.