그래프·지오메트리 프라이어를 활용한 포인트클라우드 업샘플링 및 건물 와이어프레임 복원 연구

Graph- and geometry-prior based point cloud upsampling and building wireframe reconstruction

연구 내용

복잡한 곡률 영역의 국소 특징을 반영하는 커리큘럼 기반 포인트클라우드 업샘플링과, Delaunay 그래프 프라이어로 적응적 탐색공간을 구성해 건물 LiDAR의 와이어프레임을 복원하는 연구

센서가 수집한 포인트클라우드는 노이즈와 희소성으로 인해 다운스트림 성능이 제한되며, 특히 복잡한 곡률이나 내부 모서리 영역에서 업샘플링과 구조 복원이 어렵습니다. 본 연구는 국소 표면을 더 잘 모델링하기 위해 곡률 기반 샘플링으로 고곡률 영역의 특징을 우선적으로 포착하고, 곡률 분포를 난이도 신호로 활용하는 커리큘럼 학습으로 샘플링 품질을 개선합니다. 또한 건물 와이어프레임 복원에서는 Delaunay 그래프를 기하학적 프라이어로 사용해 적응적 탐색공간을 구성합니다. Delaunay Graph Scoring을 통해 영역별 곡률 시그니처를 산출하고, 모서리 및 선 요소 선택 모듈이 이 프라이어를 활용하도록 설계하여 노이즈·희소 조건에서도 구조 예측을 안정화하는 방향으로 연구를 수행합니다.

관련 프로젝트

0건

연구 흐름

초기에는 포인트클라우드 업샘플링에서 발생하는 outlier와 비균일 샅플링 문제를 줄이기 위해 국소 표면 기반 추정 개념을 도입하고, 곡률 기반 샘플링으로 복잡 영역의 특징을 집중하는 방향을 정리했습니다. 이를 바탕으로 PLATYPUS에서는 곡률 분포를 기반으로 학습 난이도를 자연스럽게 구성하는 커리큘럼 전략을 적용해 고품질 밀집 포인트를 생성하도록 확장했습니다. 이후 2026년에는 건물 LiDAR에서 와이어프레임 복원의 핵심 병목인 적응적 탐색공간 부재를 해결하기 위해 Delaunay 그래프를 기하 프라이어로 활용하는 Delaunay Canopy를 제안했습니다. region-wise 곡률 시그니처와 모서리·와이어 선택 모듈을 결합해 노이즈·희소 조건에서의 복원 가능성을 높이는 궤적으로 발전했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

희소 포인트클라우드 업샘플링
곡률 기반 샘플링 전략
커리큘럼 학습 포인트 샘플러
건물 와이어프레임 복원
LiDAR 기반 구조 인식
Delaunay 그래프 기하 프라이어
영역별 곡률 시그니처 추정
모서리 후보 선택 모듈
도시 환경 3D 구조 추출
로보틱스용 정밀 3D 표현 생성