Labeling of data-driven complexes for surface reconstruction

par Patrick Labatut

Thèse de doctorat en Informatique

Sous la direction de Renaud Keriven.

Soutenue en 2009

à Paris 7 .

mots clés

• Delaunay triangulation
• Surface reconstruction
• Minimum s – t cut
• Modélisation tridimensionnelle
• Géométrie -- Informatique

Titre traduit

Partition de complexes guidés par les données pour la reconstruction de surface

Résumé

Cette thèse introduit une nouvelle approche pour la reconstruction de surface à partir d'acquisitions de nuages de points. Cette approche construit un complexe cellulaire à partir du nuage de points puis formule la reconstruction comme un problème d'étiquetage binaire des cellules de ce complexe sous un ensemble de contraintes de visibilité. La résolution du problème se ramène alors au calcul d'une coupe minimale s-t permettant d'obtenir efficacement une surface optimale d'après ces contraintes. Dans la première partie de cette thèse, l'approche est utilisée pour la reconstruction générique de surface. Une première application aboutit à un algorithme très robuste de reconstruction de surface à partir de nuages denses issus d'acquisitions laser. Une seconde application utilise une variante de cet algorithme au sein d'une chaîne de photo-modélisation en combinaison avec un raffinement variationnel photométrique. La chaîne complète est adaptée à la reconstruction de scènes de grande échelle et obtient d'excellents résultats en terme de complétude et de précision des reconstructions obtenues. La seconde partie de cette thèse considère le problème de la reconstruction directe de modèles géométriques simples à partir de nuages de points. Un algorithme robuste est proposé pour décomposer hiérarchiquement des nuages de points denses en formes issues d'un ensemble restreint de classes de formes. Lorsque que cet ensemble de classes est réduit aux plans seulement, la reconstruction de modèles de très faible complexité est possfcle. Une extension à d'autres classes de forme échange cet avantage contre la gestion de nuages de points plus difficiles.

Résumé

This thesis introduces a new flexible framework for surface reconstruction from acquired point sets. This framework casts the surface reconstruction problem as a cells binary labeling problem on a point-guided cell complex under a combination of visibility constraints. This problem can be solved by Computing a simple minimum s-t cut allowing an optimal visibility-consistent surface to be efficiently found. In the first part of this thesis, the framework is used for general surface reconstruction problems. A first application leads to an extremely robust surface reconstruction algorithm for dense point clouds from range data. A second application consists in a key component of a dense multi-view stereo reconstruction pipeline, combined with a carefully designed photometric variational refmement. The whole pipeline is suitable to large-scale scenes and achieves state-of-the-art results both in completeness and accuracy of the obtained reconstructions. In the second part of this thesis, the problem of directly reconstructing geometrically simple models from point clouds is addressed. A robust algorithm is proposed to hierarchically cluster a dense point clouds into shapes from a predefined set of classes. If this set of classes is reduced to planes only, the concise reconstruction of models of extremely low combinatorial complexity is achieved. The extension to more general shapes trades this conciseness for a more verbose reconstruction with the added feature of handling more challenging point clouds.