등가값 제약을 활용한 포아송 방정식 기반 점 법선 방향 및 표면 재구성

초록

본 논문은 포아송 표면 재구성 프레임워크에 등가값(isovalue) 제약을 도입하여 점 구름의 법선 방향을 전역적으로 일관되게 결정하고, 동시에 암시적 함수와 법선을 하나의 희소 선형 최소제곱 시스템으로 최적화한다. 제안 방법은 노이즈, 비균일 샘플링, 얇은 구조, 다중 연결 성분 및 중첩 표면 등 다양한 어려운 상황에서도 높은 정확도와 효율성을 보이며, 일반 노트북에서도 실시간 수준의 계산이 가능하다.

상세 분석

이 연구는 기존 포아송 표면 재구성(Poisson Surface Reconstruction, PSR)의 핵심 아이디어를 확장한다. PSR에서는 샘플 점들의 법선을 이용해 벡터 필드를 구성하고, 이 벡터 필드의 발산(divergence)과 암시적 함수 χ의 라플라시안(Δχ) 사이에 포아송 방정식(Δχ = ∇·V)을 설정한다. 저자들은 이 관계식을 그대로 사용하면서, 법선 n과 암시적 함수 계수 x를 모두 미지변수로 두고 Ax = Bn 형태의 선형 시스템을 만든다. 여기서 A는 B‑스플라인 기반의 희소 행렬, B는 법선과 벡터 필드의 선형 연관성을 나타내는 행렬이다.

핵심 혁신은 “등가값 제약(isovalue constraints)”을 도입한 점이다. 암시적 함수 χ는 표면을 특정 등가값(예: 0.5) 등고선으로 정의한다. 따라서 샘플 점들이 실제 표면에 가까울수록 χ(p_i)는 목표 등가값에 근접해야 한다. 저자들은 이 조건을 최소제곱 목표함수에 추가함으로써, 법선 방향이 잘못 뒤집히면 해당 점에서 등가값 오차가 크게 발생하고 전체 시스템이 이를 최소화하도록 유도한다.

목표함수는 크게 세 부분으로 구성된다. 첫째, 포아송 방정식에 의해 정의된 Ax - Bn = 0의 잔차 최소화; 둘째, 인접 점들 사이의 법선 일관성을 강제하는 로컬 정합성(term); 셋째, 각 점에서 χ(p_i)와 목표 등가값 사이의 차이를 최소화하는 등가값 제약(term). 이 세 항을 가중치로 조절하여 다양한 데이터 특성(노이즈 수준, 샘플링 밀도 등)에 맞출 수 있다.

수치적으로는 모든 항을 하나의 큰 희소 선형 시스템으로 결합하고, 차원 축소를 위해 적절한 경계 조건을 적용한다. 결과적으로 얻어지는 시스템은 전형적인 LSQR 또는 Conjugate Gradient 방식으로 빠르게 해결 가능하며, 메모리 요구량도 O(N) 수준에 머문다.

실험에서는 합성 데이터와 실제 스캔 데이터 모두에 대해 기존 방법(예: MST 기반 전파, 전역 에너지 최소화, dipole propagation, PGR, iPSR 등)과 비교하였다. 특히 비균일 샘플링, 높은 노이즈, 얇은 구조, 다중 연결 성분 및 중첩 표면에서 제안 방법이 일관된 법선 방향과 정확한 표면 재구성을 달성함을 보였다. 또한 대규모 데이터(수백만 점)에서는 대표점 집합을 전역적으로 서브샘플링하고, 이 서브샘플에 대해 최적화한 뒤 밀집 점들의 법선을 보간하는 전략으로 확장성을 확보하였다.

이 논문의 주요 기여는 (1) 등가값 제약을 포아송 방정식에 자연스럽게 통합한 새로운 최적화 프레임워크, (2) 법선과 암시적 함수를 동시에 최적화함으로써 전역적인 일관성을 보장, (3) 희소 선형 시스템을 이용해 일반 CPU 환경에서도 실시간에 근접한 성능을 달성, (4) 다양한 복잡한 형태와 잡음 조건에서도 견고하게 동작한다는 점이다.