포인트 클라우드로부터 건물 모델을 통합적으로 재구성하는 파라미터 기반 방법

초록

기존의 순차적 평면 분할 방식과 달리, 전체 건물 포인트 클라우드를 동시에 고려하는 홀리스틱 파라미터 재구성 방법을 제안한다. 딥러닝(PointNet++)으로 지붕 프리미티브를 분류하고, 통합 최적화를 통해 파라미터를 결정한 후 CityGML 형식의 정밀한 3D 모델을 생성한다. RoofN3D 데이터셋 실험에서 83% 분류 정확도와 0.08m 재구성 품질을 달성했다.

상세 분석

본 논문이 제안하는 방법론의 핵심 혁신은 ‘홀리스틱(Holistic)’ 접근법에 있다. 기존 연구들이 지붕 평면을 개별적으로 분할하고 교차시켜 모델을 구성하는 ‘순차적 로컬 피팅’ 방식을 취한 반면, 이 연구는 하나의 건물에 해당하는 전체 포인트 클라우드 데이터를 동시에 최적화 과정에 참여시킨다. 이로 인해 개별 평면 맞춤 시 발생할 수 있는 위상적 불일치(예: 지붕 면이 정확히 만나지 않음)나 기하학적 오차 누적 문제를 근본적으로 해결하려 한다.

기술적 구현은 세 단계로 이루어진다. 첫째, 심층 신경망 기반 의미론적 분할이다. 저자들은 PointNet++ 아키텍처를 채택하여 포인트 클라우드를 사전 정의된 지붕 프리미티브(평지붕, 박공지붕, 합각지붕 등)로 분류한다. 이는 전통적인 RANSAC 기반 방법이 노이즈와 정규벡터 추정에 민감하고 수동 파라미터 튜닝이 필요했던 한계를 딥러닝의 데이터 주도 학습으로 극복한 것이다.

둘째, 통합 파라미터 최적화가 핵심이다. 분류된 프리미티브 유형에 대해, 해당 프리미티브를 정의하는 파라미터(길이, 너비, 높이 등)와 로컬 강체 변환 파라미터(회전, 이동)를 동시에 최적화한다. 비용 함수는 ‘점-표면 거리(PSD)‘의 평균과 2D ‘교차 over 합집합(IoU)‘으로 구성되어, 포인트 데이터에 대한 기하학적 정합도와 건물 평면도 형태의 정확도를 함께 평가한다. L-BFGS-B 알고리즘을 사용한 이 최적화는 전체 데이터를 바탕으로 하여 최종 모델의 위상적 무결성을 보장한다.

셋째, 시맨틱 CityGML 모델 생성이다. 최적화된 파라미터로부터 정확한 정점 좌표를 계산하고, 지붕표면, 벽표면, 지표면 등의 의미론적 정보를 부여하여 BRep 방식의 폐쇄된 3D 솔리드 모델을 생성한다. 이는 단순한 기하학적 메쉬를 넘어 도시 정보 모델링 표준인 CityGML 형식을 준수함으로써, 도시 계획, 내비게이션 등 다양한 애플리케이션에서의 실용성을 높인다.

실험 결과, RoofN3D 데이터셋에서 PointNet++의 프리미티브 분류 정확도는 83%에 달했다. 910개 건물에 대한 홀리스틱 재구성 결과, 평균 점-표면 거리는 0.08m로 입력 LiDAR 점의 RMSE(약 0.1m)보다 낮은 수준을 보였다. 이는 제안 방법이 높은 정밀도를 유지하면서 대규모 도시 포인트 클라우드 처리에 적용 가능함을 시사한다. 결국 이 연구는 건물 재구성 파이프라인을 데이터 분류부터 파라미터 최적화, 표준 형식 생성까지 ‘종단간(end-to-end)‘으로 자동화한 점에서 의의가 크다.