3次元点群からの点の間引き（サンプリング）について

本資料は、3次元点群データにおける点の間引き（サンプリング）手法について解説したスライドです。
点群データがなぜ間引き（サンプリング）を必要とするのかという基本的な背景から、代表的なサンプリング手法の考え方や使い分けまでを、実務・研究の観点からコンパクトに整理しています。

スライドでは、
・点群が高密度になることで生じる課題
・ランダムサンプリングやグリッド系サンプリングなどの基本的な考え方
・どのような用途でどの手法を選ぶべきか
といった点を中心に紹介しています。

あわせて、本スライドの内容をもとにしたイベント登壇時の発表動画（YouTube）も公開されています。
発表の雰囲気や口頭での補足説明を含めて見たい方は、動画もぜひご覧ください。

▶ YouTube 動画
https://www.youtube.com/watch?v=3Yd04AtqxxY&t=1510s

▶ イベントページ（connpass）
https://osaka-driven-dev.connpass.com/event/372073/

Transcript

1. 3次元点群からの点の間引き（サンプリング） 板倉健太 ImVisionLabs株式会社代表取締役
2. 点群データの取得と課題 点群データの取得方法として様々な方法がある • 地上型レーザースキャナー： TLS (Terrestrial Laser Scanning) • 車両レーザスキャナー ： MMS (Mobile Mapping System) • 航空機レーザースキャナー： ALS (Airborne Laser Scanning) 例： 写真1:地上型レーザースキャナー 写真1出典：株式会社かみえちご測地 https://kamiechigo.com/uav/uav03/ 写真2:車両レーザースキャナー 写真2出典:iPROSものづくり https://mono.ipros.com/product/detail/2000702522 写真3出典:i-Construction https://icon.fukuicompu.co.jp/start/drone.html 写真3:航空機レーザースキャナー
3. 点群データの取得と課題 点群は膨大な点数を含み（例1000万点）ファイルサイズが大きくなりやすい ファイルサイズが大きいと、処理を行う際に膨大な時間がかかる 点群処理を効率的に行うためには適切なサンプリング手法（点群の間引き）が必要 東京都のHPより点群データをダウンロードすると、 東京大学の本郷・弥生キャンパスの点群データは 約2.8GB （URL: 東京都デジタルツイン実現プロジェクト https://info.tokyo-digitaltwin.metro.tokyo.lg.jp）
4. サンプリング手法の例 代表的な点のサンプリング手法として、今回は5つの方法を紹介する 手法 概要 ランダムサンプリング（Random） 無作為に点を抽出 平均グリッドサンプリング※（Grid Average） グリット内平均で代表 Grid Nearest グリット内最近点を選ぶ FPS (Farthest Point Sampling) 最遠点を順に選ぶ IDISS (Inverse Density Importance Sub-Sampling) 密度逆比例で抽出 ※ボクセルグリッドサンプリング（フィルタリング）などとも呼ばれますが、ここではこのよ うに表現します
5. ランダムサンプリング(Random Sampling) 点群からランダムに点を選択する 全体の点密度を均等に減らす 局所的な情報が失われる可能性がある ランダムに点を選択 設定値：出力点数の比率 [0-1] ランダムサンプリング
6. ランダムサンプリングの特徴 高速に処理可能 全体の点密度を均等に減らす 局所的な情報が失われる可能性がある
7. ランダムサンプリングの特徴
8. 平均グリッドサンプリング(Grid Average Sampling) 各グリッド内の点の平均位置を取得 画像出典：Deliberate Learning https://tech-deliberate-jiro.com/downsampling-grid/
9. 平均グリッドサンプリングの特徴 各セルの代表点が安定 外れ値の影響を低減 処理速度が比較的速い
10. 平均グリッドサンプリングの特徴
11. グリッドサンプリング (Grid Nearest) 点群を指定したグリッドサイズで分割し、各グリッドの代表点を取得 設定値：グリッドのサイズ グリッドサンプリング 各グリッドの中心点に最も近い点を代表点とする
12. グリッドサンプリングの特徴 点密度を均一に調整可能 各グリッドの中心点に最も近い点を代表点として選ぶため、 元の点群の特徴を比較的忠実に維持できる
13. グリッドサンプリングの特徴
14. Farthest Point Sampling (FPS) ランダムに1点を選んだ後、既に選択した点から最も遠い点を順次選択 クラスタリングやメッシュ生成に有効 最初の点(点A)を ランダムに選択 点A、Bから最も離れた 点（点C）を選択 点A→ 点A→ 点A→ 点A→ 点Aから最も離れた 点（点B）を選択 点A、B、Cから最も 離れた点（点D）を選択 ←点B ↑点C ←点B ←点B ↑点C 点D↑
15. Farthest Point Sampling (FPS) の特徴 均一な点分布を実現しやすい ノイズに強い 計算コストが高い
16. Farthest Point Sampling (FPS) の特徴
17. Farthest Point Sampling (FPS) の特徴 右の動画はFPSが選択した点を 赤い点で順次表示したもの 均一に点を取得していることが感 覚的に理解できる
18. Inverse Density Importance Sub-Sampling (IDISS) 点密度の高い領域の点群を少なく、点密度の低い領域の点群を多く取得 点の局所密度に基づいてサンプルの優先度を決定 少なく取得 少なく取得 多く取得 多く取得
19. IDISSの特徴 点密度が低い領域から点群を多く取得するため、物体の形状をより忠実 に維持できる
20. IDISSの特徴
21. IDISSの特徴  IDISSの結果密度が低い領域の点群が多く残ることがわかる [a] 密度ごとに色分け下図（赤：密度小） [b] IDISSによりサンプリングした時の結果
22. IDISSの特徴  IDISSの結果密度が低い領域の点群が多く残ることがわかる
23. 応用例: 点群深層学習におけるサンプリング 点群を対象にした深層学習においてもサンプリングは重要 点群の深層学習で有名なPointNet++ではサンプリングにより効果的な処理を実現 図出典: Qi, C. R., Yi, L., Su, H., & Guibas, L. J. (2017). Pointnet++: Deep hierarchical feature learning on point sets in a metric space. Advances in neural information processing systems, 30. 図出典: MATLAB https://www.mathworks.com/help/lidar/ug/aerial-lidar- segmentation-using-pointnet-network.html
24. サンプリング手法のまとめ 手法名 処理速度 点密度の制御 特徴保持性能 主な用途・特徴 Random Sampling ◎ 全体を均等に減少 局所情報が失われやすい シンプルで高速な手法。全体的に点 数を減らす際に有効。 Grid Average Sampling 〇 グリッドで均一に制御可能 元の構造を比較的維持 各グリッドの平均点を代表点に。外 れ値の影響を低減するが元データ の点の位置が移動してしまう。 Grid Nearest Sampling 〇 グリッドで均一に制御可能 元の構造を比較的維持 各グリッド中心に最も近い点を選択。 構造保持に優れる。 Farthest Point Sampling (FPS) × 均一分布だが密度制御は不可 形状保持に優れる 形状を保持でき、PointNet++などの 深層学習モデルの中でも利用される。 IDISS △ 密度に応じて調整可能 形状保持に優れる 単純なランダムやグリッドサンプリン グでは冗長になりがちな密集領域を 効率的に間引ける。  様々なサンプリング方法があり、目的に応じて使い分けることが重要です