Earticle

3D object detection is widely applied in robotics and autonomous driving; since 3D scenes in autonomous driving are typically outdoor environments, current methods exhibit substantial computational wastage and significant time delays when using convolution directly in the backbone network. This paper proposes a backbone network based on sparse convolutional spatial-semantic fusion modules to solve this problem. High-level semantic features and low-level spatial features extracted through sub-manifold sparse convolution and sparse convolution are fused to enhance feature representation capabilities. Our proposed backbone network achieves excellent performance on the KITTI dataset.

포인트 클라우드를 활용한 폴리곤 모델 활용에 대해서는 지속적으로 연구되고있다. 이러한 연구는 대부분 하이 폴리곤 모델을 대상으로 생성된 모델을 활용한 기술이다. 오늘날 비디오 게임 등에서 활용되는 하이 폴리곤 모델은 대부분 높은 퍼포먼스를 바탕으로 화려한 효과를 표현한다. 그러나 게임 등의 콘텐츠에 있어서 화려한 효과와 높은 품질의 리소스를 활용한 게임만이 만족도를 충족시켜주는 것이 아니다. 콘텐츠 에 따라서 의도적으로 로우 폴리곤 모델을 활용하기도 한다. 인디 게임 등에서는 낮 은 접근성을 장점으로 로우 폴리곤 형태의 모델을 제작하여 이를 활용한 게임들도 지속적으로 개발되어 왔다. 따라서 본 연구에서는 이러한 변화에 맞춰서 포인트 클라우드 데이터를 활용하여 로우 폴리곤 모델을 생성 및 음영 처리하는 방법을 제안한 다. 여러 개의 모델을 생성하여, 각각의 모델이 하나의 텍스처를 공유하고, 음영을 처리한다. 마지막으로 라이트맵 기법의 결과물과 비교하는 실험을 진행한다.

The use of polygon models using point cloud is continuously studied. These studies are mostly techniques using models generated for high-polygon models. Most high-polygon models used in video games today express spectacular effects based on high performance. However, games that utilize colorful effects and high quality resources are not the only ones that satisfy the satisfaction level. Depending on the content, the low-polygon model may be used intentionally. In indie games, low-polygon models have been produced with low accessibility, and games that utilize them have been continuously developed. Therefore, this study suggests ways to utilize point cloud data to create and shade low polygon models in response to these changes. Generating several models, each model shares one texture and processes shading. Finally, conduct an experiment comparing the results of the light map technique.

Purpose: The aim of this study was to determine the repeatability and reproducibility of two dental scanners. Methods: The master die and the stone replicas(Kavo, Germany) were digitized in touch-probe scanner(Incise, Renishaw, UK), white light scanner(Identica, Medit, Korea) to create 3-dimensional surface-models. The number of points in the point clouds from each reading were calculated and used as the CAD reference model(CRM). Discrepancies between the points in the 3-dimensional surface models and the corresponding CRM were measured by a matching-software(Power-Inspect R2, Delcam Plc, UK). The t-student test for one samples were used for statistical analysis. Results: The reproducibility of both scanner was within 3 , based on mean value. The mean value between measurements made directly on the touch probe scanner digital models and those made on the white light scanner digital models was 2.20-2.90 , and was statistically significant(P<0.05). Conclusion: With respect to adequate data acquisition, the reproducibility of dental scanner differs. Threedimensional analysis can be applied to differential quality analysis of the manufacturing process as well as to evaluation of different analysis methods.

In the rapidly evolving metaverse ecosystem, video streaming plays a vital role, offering immersive, on-demand experiences and engaging users in dynamic 3D virtual environments. Point cloud video streaming enables detailed 3D representations for applications like 3D scanning, AR, and VR. However, high data demands and complex encoding pose challenges, requiring efficient resource and latency management. As a result, user experience (UX) is critical in the metaverse, where metrics like real-time feedback, Quality of Experience (QoE), and adaptive UX design are essential for sustaining engagement in immersive 3D environments. Therefore, this paper closely examines the latest developments in point cloud video streaming, specifically focusing on user-centric, AI-driven, and low-latency techniques, transcending traditional video streaming methods. We investigate a variety of techniques, pinpoint obstacles, and chart prospective routes for elevating both the quality and depth of immersive experiences. Furthermore, our work includes a detailed qualitative comparison of these streaming paradigms. We also shed light on pivotal metaverse enhancers, such as Mobile Edge Computing (MEC), Visible Light Communication (VLC), advanced network coding techniques, and the integration of the Data Plane Development Kit (DPDK). These enablers?particularly when combined with DPDK’s capabilities in efficient data packet processing?have the potential to optimize resource allocation, strengthen reliability, reduce latency, and improve the sustainability of point cloud video streaming. Our study, therefore, offers a holistic overview of the advancing area of point cloud video streaming and outlines paths for future research and development.

LiDAR는 자율주행차량이 주변의 객체를 정확하게 식별하고 안전을 강화하여 운전자를 지원할 수 있는 중요한 기술로 많은 ADAS(Advanced Driver Assistance System) 및 자율주행 응용 프로그램에서 차량의 안전성과 정확성을 향상시키는 도구로 사 용되고 있다. LiDAR를 통해 생성된 Point Cloud Data를 처리하기 위한 다양한 방법론들이 연구되고 있으며 특히, 딥러닝 분야 에서도 활발하게 연구가 진행되고 있다. 본 연구에서는 이러한 LiDAR의 Point Cloud Data(PCD)를 처리하기 위해서 PCD의 지역적인 특징을 수학적으로 계산하고 직 접 기계에 입력할 수 있는 기법인 Topological Data Analysis(TDA)를 사용하고자 하며 이를 통해 기존의 PCD를 다루는 딥러닝 모델인 PointNet, DGCNN 등에서 발생했던 문제인 로컬 구조와 패턴에 대한 인식, 객체의 스케일과 회전 등의 변형에 대한 민 감성을 해결해보고자 한다. 이를 통해 보다 정교한 인공지능 모델을 구축하고 실제 수집된 데이터에 대해 강건하게 대응할 수 있을 것으로 기대된다.

Precise forest inventory is crucial for sustainable forest management. Recently, LiDAR technology has been widely applied to forest inventory as it provides highly accurate measurements of tree height, canopy structure, and terrain, enabling efficient data collection and analysis. This study aims to (i) determine point cloud density of ground and vegetation layers classified from Handheld Mobile Laser Scanning (HMLS), Airborne Laser Scanning (ALS), and Integrated ALS and HMLS; (ii) compare DBH and tree height derived from HMLS, ALS, and Integrated ALS and HMLS, and (iii) analyse applicability of integrating HMLS and ALS scanning methods in estimate individual tree attributes of pine forests in South Korea. As a forthcoming LiDAR application, the fusion of ALS and HMLS method could transform forest inventory methods, overcoming the challenges of traditional ground-based surveys and enabling faster and more precise forest evaluations, which contributes to forest ecosystem assessment and carbon stock estimation.

MPEG-I (Immersive) 표준의 하나로 포인트 클라우드 압 축 (Point Cloud Coding/Compression) 기술의 표준화가 시작단계에 있다. 비디오와 그래픽스 부분의 접점이 AR/VR 부문에서 확대되고 있는 가운데, 공간상의 화소로 볼 수 있는 점 구름 데이터의 압축 기술에 대한 표준화에 대한 요구 또한 과거 그 어느 때보다 높다. 본 고에서는 점 구름 압축 표준화 에 대한 현재의 동향과 향후 전개 방향에 대하여 소개하고자 한다

Three-dimensional (3D) point clouds provide detailed geometric understanding of real-world environments but remain challenging to process due to their sparse and unordered nature. Contrastive learning has emerged as a powerful self-supervised approach for learning representations from unlabeled 3D point cloud data. At the core of these methods lie encoder architectures that project raw points into discriminative latent spaces. This brief survey highlights major encoder families used in 3D contrastive learning and analyzes their design principles, strengths, and limitations. We further discuss how encoder choice influences downstream performance and outline research trends toward efficient, multimodal, and real-time contrastive frameworks.

This review study discusses the utilization of Terrestrial Laser Scanner (TLS) 3D point cloud data in representing geometry for structural health monitoring (SHM) applications, particularly the so-called Scan-to-FEM method. The existing studies related to the topic are intensively presented and discussed along with the advantages and disadvantages of the modelling methods: meshing by whole and cross-section. Two case studies are conducted to show both modelling methods used for geometry representation for Scan-to-FEM method. Meshing by whole and cross-section methods result in the relative errors of respective 2.79% and 1.4% in the maximum displacement vector sum, compared to their reference models constructed by ABAQUS. It is also seen that the density and clarity of 3D point cloud data can bring well-shaped geometry for FE analysis and consequently produce good accuracy.

인공지능을 이용하여 예측이나 분석하는 기술은 지속적으로 발전하고 있지만, 의사결정 과정을 명확히 해석하지 못하는 블랙박스 문제가 존재한다. 따라서 인공지능 모델의 의사결정 과정에서 사용자의 입장에서 해석이 불가능하여 결과를 신뢰할 수 없는 문제가 발생한다. 본 연구에서는 인공지능의 문제점과 이를 해결하기 위한 블록체인을 활용한 설명 가능한 인공지능에 대해 연구를 진행하였다. 블록체인을 이용해서 설명 가능한 인공지능 모델의 의사결정 과정에서 의 데이터를 타임스탬프 등을 이용하여 부분별로 블록체인에 저장한다. 블록체인을 이용하여 저장된 데이터의 위변조 방지를 제공하고 블록체인의 특성상 사용자는 블록에 저장된 의사결정 과정등의 데이터를 자유롭게 접근할 수 있다. 설명 가능한 인공지능 모델의 구축이 힘든 것은 기존 모델의 복잡성이 큰 부분을 차지한다. 따라서 포인트 클라우드를 활용해 서 3차원 데이터 처리와 가공과정의 효율성을 높여서 의사결정 과정을 단축해 설명 가능한 인공지능 모델의 구축을 원활 하게 한다. 블록체인에 데이터 저장과정에서 데이터 위변조가 발생할 수 있는 오라클 문제를 해결하기 위해 저장과정에 중간자를 거치는 블록체인 기반의 설명 가능한 인공지능 모델을 제안하여 인공지능의 블랙박스 문제를 해결하였다.

Although the technology for prediction or analysis using artificial intelligence is constantly developing, a black-box problem does not interpret the decision-making process. Therefore, the decision process of the AI model can not be interpreted from the user's point of view, which leads to unreliable results. We investigated the problems of artificial intelligence and explainable artificial intelligence using Blockchain to solve them. Data from the decision-making process of artificial intelligence models, which can be explained with Blockchain, are stored in Blockchain with time stamps, among other things. Blockchain provides anti-counterfeiting of the stored data, and due to the nature of Blockchain, it allows free access to data such as decision processes stored in blocks. The difficulty of creating explainable artificial intelligence models is a large part of the complexity of existing models. Therefore, using the point cloud to increase the efficiency of 3D data processing and the processing procedures will shorten the decision-making process to facilitate an explainable artificial intelligence model. To solve the oracle problem, which may lead to data falsification or corruption when storing data in the Blockchain, a blockchain artificial intelligence problem was solved by proposing a blockchain-based explainable artificial intelligence model that passes through an intermediary in the storage process.

깊이 카메라를 이용해서 인간의 정밀한 전신 포인트 클라우드를 획득하기 위해서는 다양한 위치와 각도에서 촬영한 포인트 클라우드 간의 정합 및 깊이 보정이 필요하다. 기존에는 주로 Iterative Closet Point (ICP) 알고리즘을 이용해서 포인트 클라우드 간의 정합을 위한 3차원 변환을 추정한 후, 후처리로 독립적인 깊이 보정을 수행해 왔다. 본 논문에서는 ICP 알고리즘에서 사용되는 비용함수의 인수로 3차원 변환 뿐만 아니라 포인트 클라우드의 깊이 값이 사용될 수 있다는 점에 착안한 새로운 깊이 보정 알고리즘을 소개하고, 기존 후처리 방법과의 성능 비교를 통해 그 효용성을 검증한다.

기존의 포인트 클라우드 디퓨전 모델은 전체적인 형상 생성에는 효과적이지만, 캡션에 포함된 세부적인 의미나 형상 속성을 충분히 반영하는 데 한계가 있다. 이를 해결하기 위해 본 연구는 CLIP-conditioned 디퓨전 모델을 기반으로 한 텍스트 가이드 3D 포인트 클라우드 방법을 제안한다. 구체적으로는 포인트 클라우드 확산 구조를 기반으로, 낱말 단위의 교차 주의 기법과 문장 전체 의미 기반 특징 조절 방식을 사용하여 자연어 정보를 잡음 제거 신경망에 주입한다. 또한 관사나 전치사처럼 정보량이 낮은 단어에 과도하게 주의가 집중되는 문제를 완화하기 위해, 전체 낱말 순서는 유지하면서 미리 정의된 불용어 위치의 중요도만 낮추는 경량의 불용어 인식 주의 재가중 전략을 도입한다. 우리는 의자와 탁자 범주의 3차원 형상 자료와 그에 대응하는 자연어 설명문을 사용하여 모델을 학습하고 평가한다. 실험에서는 분포 수준의 생성 품질, 문장과 형상 사이의 정성적 대응 관계, 낱말 단위 주의 동작, 그리고 주의 구성 방식에 따른 제거 실험을 분석한다. 정량적으로 제안 모델은 Chair/Table 범주에서 각각 MMD-CD 6.80/6.33, COV-CD 49.75/43.75, 1-NN-CD 77.99/71.75, JSD 9.6/13.2를 보였다. 이와 함께 Chair 범주의 ablation study에서 stop-word-aware attention reweighting은 COV-CD를 37.18%에서 49.75%로 향상시키고 JSD를 12.2에서 9.6으로 감소시켰다. 또한 불용어 인식 재가중 방식은 중요한 단어에 대한 주의 집중과 의미 반영 범위를 개선한다. 그러나 제안한 모델은 여전히 세밀한 속성 반영과 더 넓은 범주로의 일반화 측면에서 한계를 가진다.

Current point-cloud diffusion models can generate overall shapes well, but they struggle to capture detailed semantic features and specific shape attributes described in captions. To improve this, we present a text-guided 3D point cloud generation method that uses a CLIP-conditioned diffusion model. Our approach adds natural-language information to the denoising network through token-level cross-attention and sentence-level semantic feature modulation. To prevent the model from focusing too much on less important words like articles and prepositions, we use a simple stop-word-aware attention reweighting strategy. This keeps the full token sequence but lowers the influence of stop words. We train and test our model on 3D chair and table data paired with matching natural-language descriptions. Our experiments look at overall generation quality, how well the shapes match the text, token-level attention patterns, and results from different attention setups. Quantitatively, the proposed model achieved MMD-CD scores of 6.80/6.33, COV-CD scores of 49.75/43.75, 1-NN-CD scores of 77.99/71.75, and JSD values of 9.6/13.2 on the Chair/Table categories, respectively. In the chair-category ablation study, stop-word-aware attention reweighting improved COV-CD from 37.18% to 49.75% and reduced JSD from 12.2 to 9.6. The results also show that stop-word-aware reweighting helps the model focus on key words and improves semantic coverage. Still, our model has some limits in grounding fine-grained attributes and generalizing to more object categories.

본 논문은 라이다만을 이용하여 라이다 주변에 대하여 복셀을 이용하여 삼차원 복원을 하는 방법을 제안 한다. 삼차원 복원은 라이다 주변에 복셀들을 설정해두고, 라이다에서 발사한 레이저 광선들이 만드는 기하 구조 체와 복셀들과 충돌을 계산함으로써 이루어진다. 인접한 두 개의 레이저 광선은 삼각형 모양의 평면을 만들고, 삼 각형 평면들과 복셀들과의 평면상 앞뒤 관계 및 내부외부 관계를 따진다. 2차원적으로는 이웃한 광선들이 삼각형 을 이루며, 3차원적으로는 이웃한 네 개의 광선들은 피라미드를 만든다. 피라미드 내부에 들어가는 복셀과 삼각형 평면과의 최단거리가 가까운 복셀들을 제거하면, 빈 공간을 결정할 수 있다. 라이다 스캔 결과 복셀들을 제거한 공간이 삼차원 복원 결과임을 보여주기 위하여, 하나의 복셀에 대하여 제일 근접한 이미지 픽셀에 해당하는 색으 로 색칠하였고, 라이다 주변에 대하여 삼차원 복원 결과가 제시되었다.

This paper proposes a method for 3D reconstruction using only lidar and voxels set around the lidar. 3D reconstruction process sets voxels around a lidar and removes according to the geometric structure. This is done by calculating collisions with voxels. Two adjacent laser beams from a lidar create a triangular-shaped plane, and the front-back and inside-outside relationships between the triangular planes and the voxels are calculated. Two-dimensionally, adjacent rays form a triangle, and three-dimensionally, four adjacent rays form a pyramid. An empty space can be determined by removing voxels inside of the pyramid, and removing voxels having a short distance to the triangular plane. In order to show that the space from which the voxels are removed is a 3D reconstruction result, each voxel is colored with the color corresponding to the closest image pixel, and the 3D reconstruction result around the lidar is presented.

효과적인 산림경영계획 수립을 위해서는 수고, 흉고직경 등 수목관리정보에 대한 조사가 필요하다. 하지만 기존 의 산림조사 방법의 효율성을 향상시키기 위한 데이터 취득 기술의 융복합 및 적용에 대한 연구는 부족한 실정이다. 이에 본 연구에서는 3D 스캐너를 통해 취득되는 포인트클라우드 데이터를 활용하여 수목관리정보를 구축하고 분석하 였다. 고정형 및 이동형 3D 스캐너를 이용하여 연구대상지에 대한 데이터를 취득하였으며, 작업시간 비교를 통해 이동 형 3D 스캐너의 효율성을 제시하였다. 또한 포인트클라우드 데이터를 이용한 식생의 객체별 분류를 수행하고, 흉고직경 및 수고에 대한 정보를 구축함으로써 객체 관리가 가능한 수목관리정보를 구축하였다. 기존의 측정 방법과 비교한 정확 도 평가 결과 수고는 0.02-0.09m, 흉고직경은 0.01-0.04m의 차이를 나타내었다. 향후 추가적인 연구를 통해 객체별 식생의 위치와 수관에 대한 정보를 구축한다면 산림관리정보 구축 관련 업무 효율성 증가에 기여할 것이다.

In order to establish an effective forest management plan, it is necessary to investigate tree management information such as tree height and DBH(Diameter at breast height). However, research on convergence and application of data acquisition technology to improve the efficiency of existing forest survey methods is insufficient. Therefore, in this study, tree management information was constructed and analyzed using point cloud data acquired through a 3D scanner. Data on the study site was acquired using fixed and mobile 3D scanners, and the efficiency of the mobile 3D scanner was presented through comparison of working hours. In addition, tree management information for object management was constructed by classifying vegetation by object using point cloud data, and by constructing information on chest height diameter and height. As a result of the accuracy evaluation compared with the conventional measurement method, the difference in tree height was 0.02-0.09m and DBH was 0.01-0.04m. If information on the location of vegetation and crowns of each object is constructed through additional research in the future, the efficiency of the work related to forest management information construction can be greatly increased.

This paper presents the novel observation model, called Modified Spherical Signature Descriptor(MSSD), capable of representing 2D image generated from 3D point cloud data. The Modified Spherical Signature Descriptor has a uniform mesh grid to accumulate the occupancy evidence caused by neighbor point cloud data. According to a kind of area such as wall, road, tree, car, and so on, the evidence pattern of 2D image looks so different each other. For the parameter learning of Convolutional Neural Network(CNN) layers, these 2D images were applied as the input layer. The Convolutional Neural Network, one of the deep learning methods and familiar with the image analysis, was utilized for the urban structure classification. The case study on CNN practice was introduced in detail in this paper. The simulation results shows that the classification accuracy of CNN with 2D images of the proposed MSSD was improved more than the traditional methods' one.

LiDAR는 실제 길이 정보를 측정하나 대부분의 카메라를 이용한 삼차원 복원은 비율에 따른 복원이다. 본 논문은 해상도가 낮은 LiDAR에서 감지한 삼면체 상의 점을 카메라에서 촬영한 이미지의 해당 픽셀로 연결하 는 방법을 제시한다. 이렇게 계산된 LiDAR 관점의 점의 위치 정보를 카메라 관점으로 바꾸고, 라이다 스캔 점에 해당하는 픽셀 정보를 이용하여 실물크기의 삼차원 복원을 실시하였다. 또한 LiDAR에서 감지한 점군들만을 이용 하여 각 촬영한 장면간의 상대적인 회전 및 이동을 계산하고, LiDAR만을 이용하여 계산한 결과를 카메라를 이용 한 삼차원 복원 결과로 계산된 카메라 사이의 회전 및 이동과 비교하였다. 계산결과 카메라 위주로 삼차원 복원을 한 결과는 LiDAR를 이용하여 계산한 결과에 비해 최대 5.7% 정도의 거리 오차가 발생함을 확인하였다. 삼차원 복원 결과는 카메라와 LiDAR의 연관 관계 등 다양한 목적으로 사용될 수 있다.

Lidars measure real-length information, while most camera-based 3D reconstructions rely on ratios. This paper presents a method for associating 3D point clouds sensed by a low-resolution lidar with corresponding pixels in images captured by a camera. The position information of the point from the LiDAR scanned was changed to the camera coordinate, and a three-dimensional reconstruction of the actual size was performed using the pixel information corresponding to the LiDAR scan points. The relative rotation and translation between each captured scene are also calculated using only the point clouds detected by the lidar. The results calculated using only the lidar are compared with the rotation and translation of the cameras calculated from the 3D reconstruction results using the camera. The results show that the 3D reconstruction results based on the camera have a distance error of up to 5.7% compared to the results calculated using the lidar. The 3D reconstruction results can be used for various purposes, such as camera-lidar calibration.