StretchDenoise:通过分离连通性与样本残差不确定性实现带保证的参数化曲线重建
图形学
2018-08-24 v1
摘要
我们从非结构化且高度含噪的二维点云重建一条闭合去噪曲线。我们提出的方法采用两遍策略:先前恢复的流形连通性用于沿该流形对含噪样本排序,并将其表达为残差以便进行参数化去噪。这将恢复低频特征与高频去噪分离,从而避免过平滑。样本处的噪声概率密度函数(PDF)取自传感器噪声模型或第一遍恢复的连通性估计。输出曲线平衡到样本的有向距离(内/外)。此外,表示连通性的多边形的边间角度在最小二乘意义下被最小化。多边形顶点的移动被限制在其噪声范围内,即对应于 PDF 最大方差的截断距离。我们将所得由高阶函数组成的优化模型近似为具有良好对应性的线性模型。我们的算法无参数,并在由连通性确定的局部邻域上快速运行。我们扩充了受线性系统约束的最小二乘求解器以同时处理边界。这使我们能够保证含噪采样曲线(例如来自传感数据的轮廓)的随机误差界,并改善相对真值的重建误差。复现本文图表的开源代码见:https://github.com/stefango74/stretchdenoise
引用
@article{arxiv.1808.07778,
title = {StretchDenoise: Parametric Curve Reconstruction with Guarantees by Separating Connectivity from Residual Uncertainty of Samples},
author = {Stefan Ohrhallinger and Michael Wimmer},
journal= {arXiv preprint arXiv:1808.07778},
year = {2018}
}
备注
Extended version of accepted short paper: 10 pages, 9 figures, 2 tables