디퓨징 와인딩 그래디언트 기반 3D 재구성

초록

DWG는 무방향 포인트 클라우드에서 전역 일관성을 갖는 법선과 스크린드 일반화 와인딩 넘버 필드의 그래디언트 정렬을 이용해 점을 순차적으로 회전시키며 수렴할 때까지 반복한다. 선형 시스템이나 목적 함수 최적화를 사용하지 않아 구현이 간단하고 GPU 병렬 처리에 최적화되어 기존 방법보다 수십 배 빠른 속도를 보인다.

상세 분석

DWG는 기존 워터타이트 표면 복원 방법이 직면한 두 가지 핵심 난제, 즉 법선 추정의 전역 일관성 확보와 대규모 데이터에 대한 연산 효율성을 동시에 해결한다. 첫 단계에서 각 포인트에 무작위 법선을 할당하고, 스크린드 일반화 와인딩 넘버(GWN) 필드를 계산한다. 스크린드 GWN은 전통적인 GWN에 정규화 항을 추가해 노이즈와 외란에 대한 강인성을 높인다. 이후 모든 포인트의 GWN 값 평균을 iso‑value 로 삼아 레벨 셋을 추출하고, 이 레벨 셋의 그래디언트를 현재 법선과 비교한다. 그래디언트와 법선 사이의 각도 차이를 최소화하도록 법선을 업데이트하는데, 이 과정은 단순한 벡터 정규화 연산만으로 이루어지므로 GPU에서 대규모 병렬 처리가 가능하다. 업데이트가 끝나면 새로운 법선 집합을 가지고 다시 스크린드 GWN 필드를 재계산하고, 레벨 셋과 그래디언트를 재추출한다. 이 두 단계가 하나의 반복 주기를 이루며, 그래디언트 변화가 미미해질 때까지 반복한다. 중요한 점은 DWG가 전역 최적화 문제를 명시적으로 풀지 않고, 그래디언트 정렬이라는 물리적 직관에 기반한 반복 수렴을 이용한다는 것이다. 따라서 선형 시스템을 푸는 비용이나 복잡한 에너지 함수의 미분 계산이 필요 없으며, 메모리 사용량도 포인트와 법선 두 배열만으로 충분히 관리된다. 실험에서는 1천만~2천만 포인트 규모의 모델에 대해 CUDA 구현이 최신 i9 CPU 기반 iPSR보다 30배에서 120배 빠른 실행 시간을 기록했다. 특히 얇은 구조물, 겹치는 스캔, 정렬 오류가 있는 실데이터에서도 스크린드 GWN의 강인성 덕분에 레벨 셋이 안정적으로 형성되어 높은 품질의 워터타이트 메쉬를 복원한다. 이와 같이 DWG는 복잡한 전처리 없이도 대규모 무방향 포인트 클라우드에 대해 빠르고 견고한 표면 재구성을 제공한다.