3D shape analysis based on feature curve networks

Gehre, Anne; Ben-Chen, Mirela; Kobbelt, Leif

doi:10.18154/RWTH-2019-02557

3D shape analysis based on feature curve networks = Analyse von 3D Modellen basierend auf Feature Kurven Netzwerken

Gehre, Anne^RWTH*

2019

Verantwortlichkeitsangabevorgelegt von Anne Gehre, M. Sc. RWTH

ImpressumAachen 2019

Umfang1 Online-Ressource (ix, 196 Seiten) : Illustrationen

ReiheSelected topics in computer graphics ; 18

Dissertation, RWTH Aachen University, 2019

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Kobbelt, Leif (Thesis advisor)^RWTH* ; Ben-Chen, Mirela (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2019-02-12

Online
DOI: 10.18154/RWTH-2019-02557
URL: http://publications.rwth-aachen.de/record/756574/files/756574.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
computational geometry (frei) ; feature curve networks (frei) ; shape analysis (frei)

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Für die Analyse von 3D Modellen ist eine abstrakte Darstellung der Geometrie notwendig. Typischerweise geschieht dies über die Definition von lokalen Punkt-Deskriptoren oderglobalen Signaturen, welche die gesamte Geometrie beschreiben. Punkt-Deskriptoren sind sehr sensitiv bezüglich lokaler Änderungen (z.B. durch Rauschen), während globale Signaturen (abhängig vom Ziel der Analyse) dazu neigen, zu grob zu sein. Eine geeignete Oberflächendarstellung sollte demnach verschiedene Abstraktionsebenen umfassen, welche von einer geometrischen Punkt-basierten Beschreibung über eine topologische Zwischen-Ebene bis hin zu einer globalen Struktur des Objekts reichen. In dieser Dissertation werden wir zeigen, dass Netzwerke, die Feature-Kurven enthalten, Informationen auf verschiedenen Abstraktionsebenen umfassen und damit eine geeignete Repräsentation für die komplexe Aufgabe der Analyse von 3D Modellen darstellen. Feature-Kurven eines 3D Modells führen entlang auffälliger Linien (typischerweise Senken oder Hügelkämme). Die Berechnung dieser Kurven wurde in den vergangenen Jahren ausgiebig erforscht, und verschiedenste Richtungen wie etwa Layout-Techniken, Selbstregistrierungs-Methoden, oder Krümmungslinien-Verfolgung haben sich etabliert. Sie liefern eine abstrakte Repräsentation wichtiger Teile der Geometrie und umfassen topologische und global strukturelle Information über das Modell, sowie geometrische Details. Die geometrischen Details können zum Beispiel in Geometrieverarbeitungs-Algorithmen wie Oberflächen-Glättung oder Dezimierung ausgenutzt werden, bei welchen sich die geometrischen Entitäten entlang der Feature-Kurven ausrichten sollten, um hohe Qualität zu garantieren. Die abstraktere strukturelle Information gibt wichtige Hinweise, welche für die Analyse von 3D Modellen relevant ist. Automatisch berechnete Feature-Kurven-Netzwerke auf Rohdaten können diverse Defekte wie etwa Rauschen, Fragmentierung oder das Fehlen wichtiger Daten enthalten. Um sie für Anwendungen nutzbar zu machen, werden relevante Feature-Kurven benötigt mit geringer Fragmentierung und ohne fehlklassifizierte Kurven (z.B. durch Rauschen). Erste Ansätze, welche relevantere Kurven aus automatisch berechneten Feature-Kurven-Netzwerken extrahieren, fallen auf lokale Lösungen wie Glättung, Krümmungs-basiertes Unterdrücken oder Filtern zurück. Dadurch werden jedoch auch schwächere Kurven entfernt, welche potenziell wichtige Details enthalten. In dieser Arbeit kombinieren wir lokale (Krümmungsstärke, Länge, Parallelität, usw.) und globale (Symmetrie und Dichte) Relevanz-Maße, um bedeutungsvolle Feature-Kurven-Netzwerke aus potenziell verrauschten Rohdaten zu extrahieren. Während die geometrischen Daten dieser relevanten Feature-Kurven direkt genutzt werden können, ist die abstrakte strukturelle Information nicht einfach zugänglich. Allerdings wird letztere für die Analyse von 3D Geometrie benötigt. Deshalb stellen wir in dieser Dissertation Methoden vor, um Struktur aus Symmetrie, Wiederauftreten und Kurven-Template-Zugehörigkeit abzulesen, welche von Modell-Analyse Methoden verwendet werden kann. Zum Abschluss präsentieren wir einige Anwendungen, welche von relevanten Feature-Kurven-Netzwerken profitieren. Hierbei werden Bereiche der Geometrieverarbeitung (Glättung, Dezimierung) und Modell-Analyse (functional maps) abgedeckt.

For high-level analysis of 3D shapes, we require an abstract representation of geometric data. Typically, this is achieved by developing descriptors on a local pointwise level or globally on the entire shape. Point based descriptors can be very sensitive to local changes of the shape (e.g. noise). In contrast, global descriptors tend to be too coarse, depending on the analysist ask. Hence, a desirable representation encodes different levels of abstraction, which range from a geometric point based description over intermediate topological information to high level structure and is flexible enough to be applied in various shape analysis tasks. In this thesis we show that networks consisting of feature curves are able to capture this information at various levels, and are therefore a well-suited representation for the challenging task of analysis of 3D shapes. Feature curves trace out salient creases and crests of 3D geometric data. Their computation has been studied intensively in the past and various directions such as patch layouts, slippage-based techniques, or crest line tracing have been established. They provide an abstract representation of salient parts of the geometry and contain topological and global structural information about the shape as well as geometric details. E.g., the geometric information can be exploited in low-level geometry processing tasks such as remeshing or smoothing, where geometric entities should align with surface features to obtain high quality output. In contrast, the more high-level structural information contained in the feature curve network provides important cues, which can be beneficial for the analysis of the geometric data. However, automatically computed feature curve networks on raw data can have various defects such as noise, fragmentation, or missing data. To make the feature curves applicable to downstream applications, we require a set of meaningful feature curves with low fragmentation and without misclassified feature curves (e.g. due to noise). First attempts to obtain a more relevant set of curves from the automatically computed feature curve networks resort to local solutions such as smoothing, filtering, or (curvature based) thre sholding of the curves. This however, also removes small-scale or weak feature curves from the network which might describe important details. In this thesis, we combine local (feature curve strength, length, parallelism, etc.) and global (density and symmetry) saliency measures to extract meaningful feature curve networks from raw potentially noisy input networks. While the pure geometric information from these meaningful feature curve networks can beused directly for downstream applications, the more high-level structural information is not aseasily accessible. However, for the analysis of the geometric data, more abstract information is required. Hence, in this thesis we present techniques to obtain structural information from symmetry, reoccurrence, and curve template membership, which can be exploited in shapeanalysis applications. Finally, we present several applications, which benefit from the use of meaningful feature curve networks. These range from low-level geometry processing (remeshing, smoothing) to high-level shape analysis (functional maps).

OpenAccess:
PDF
(additional files)