<div class="csl-bib-body">
<div class="csl-entry">Prieler, D. (2016). <i>Local reconstruction using isotropically fair neighborhoods</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2016.22607</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2016.22607
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/6739
-
dc.description
Zusammenfassung in deutscher Sprache
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.abstract
Durch die stetig steigende Verfügbarkeit von 3D Scannern in der Industrie und der Unterhaltungsbranche, sind schnelle und zuverlässige Rekonstruktionsmethoden besonders wichtig. Punktwolken, vor allem sogenannte ''Range Images'' aus 3D Scannern sind oft nicht uniform abgetastet und haben auch variables Rauschverhalten. Aktuelle Methoden des Stands der Technik verlassen sich meist darauf, dass die Größe des Rauschens über Parameter durch den Benutzer bestimmt wird. Dadurch wird ein, für das gesamte Modell gültiger Rausch-Wert bestimmt, was bei variablen (nicht uniformen) Rausch-Werten zu größeren Fehlern in der Rekonstruktion führt. In dieser Arbeit stellen wir eine anisotrope Nachbarschaftsdefinition vor, die speziell für nicht uniform abgetastete Punktwolken entworfen ist. Unser iterativer resampling-Ansatz schätzt den Rauschanteil an jedem Punkt und passt sich diesem an. Dadurch wird die Qualität der Rekonstruktion erhöht, ohne, dass der Benutzer Parameterwerte setzen muss. Die Datenstrukturen, die während des resamplings erzeugt werden, sorgen für eine schnellere, global konsistente Orientierung der Normalen der Punktwolke. Evaluierung unserer Methode zeigt, dass sie bessere Ergebnisse bei verschieden großen Rauschanteilen und nicht uniformer Abtastung liefert als Verfahren des aktuellen Stands der Technik. Sowohl der resampling Vorgang als auch die konsistente Normalen Orientierung arbeiten nur mit lokalen Daten und können daher effizient parallel implementiert werden. Unsere GPU-Implementierung für die Kugel-Regression ist um den Faktor 20 schneller als der gewöhnliche sequentielle Ansatz.
de
dc.description.abstract
The increasing availability of 3D scanning devices in both industrial and entertainment environments (e.g. Kinect) creates a demand for fast, reliable resampling and reconstruction techniques. Point clouds, especially raw range images, are often non-uniformly sampled and are subject to non-uniform noise levels. Current state-of-the-art techniques often require user-provided parameters that estimate the noise level of the point-cloud. This produces sub-optimal results for point-sets with varying noise extent. We propose an anisotropic neighborhood definition which is specifically designed to address non- uniformly sampled point-clouds. Our iterative point cloud resampling method estimates and adapts to the local noise level at each sample. This increases the reconstruction quality for point clouds with high noise levels while being completely parameter free. The data-structures built during the resampling process are reused to speed up the pro- cess of creating a consistent normal orientation. Evaluation of the resampling quality shows that our technique outperforms current state-of-the-art methods for varying noise levels and non-uniform sampling. Both the resampling algorithm and the subsequent consistent normal orientation operate locally and can be implemented efficiently in parallel. Our GPU sphere regression implementation outperforms the standard sequential procedure by a factor of 20.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Oberflächenrekonstruktion
de
dc.subject
Punktwolken
de
dc.subject
Nachbarschaften
de
dc.subject
Lokale Rekonstruktion
de
dc.subject
surface reconstruction
en
dc.subject
point clouds
en
dc.subject
neighborhoods
en
dc.subject
local reconstruction
en
dc.title
Local reconstruction using isotropically fair neighborhoods
en
dc.title.alternative
Lokale Rekonstruktion mit isotropisch ausgeglichenen Nachbarschaften
de
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2016.22607
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Daniel Prieler
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
dc.contributor.assistant
Ohrhallinger, Stefan
-
tuw.publication.orgunit
E186 - Institut für Computergraphik und Algorithmen