[3D Vision] Point Cloud vs. Mesh: 차이점, 변환 방법

3D 데이터를 표현하는 대표적인 방법인 포인트 클라우드(Point Cloud)와 메시(Mesh)에 대해 조금 더 깊게 알아보자!

---

📌 Point Cloud vs. Mesh 비교

특징	Point Cloud	Mesh
기본 개념	3D 공간에 존재하는 점들의 집합	점을 삼각형으로 연결한 표면 구조
구성 요소	정점(Vertex)만 존재 (x, y, z, RGB 등)	정점(Vertex) + 면(Face)
데이터 크기	상대적으로 가벼움	구조가 복잡해 무거울 수 있음
시각적 표현	점만 존재하므로 비어 보일 수 있음	면(Face)로 이루어져 표면이 명확
활용 분야	LiDAR, SfM, 3D 스캐닝, 자율주행	렌더링, AR/VR, 3D 프린팅, 게임
파일 포맷	PCD, PLY, LAS, XYZ 등	OBJ, STL, FBX, PLY 등

• Point Cloud는 3D 공간에 존재하는 점(Point)들의 집합으로, 좌표(x, y, z)와 컬러(RGB) 등의 정보를 포함할 수 있다. LiDAR 센서, 3D 스캐닝, Structure from Motion(SfM) 등의 기술을 통해 생성된다.
• Mesh는 점들을 삼각형(면)으로 연결하여 표면(Surface)을 생성한 구조이다. 3D 렌더링, AR/VR, 3D 프린팅과 같은 응용에서 사용된다.

 

📌 Point Cloud ↔ Mesh 변환

포인트 클라우드와 메시 사이의 변환은 특정한 목적에 따라 필요하다.

1. Point Cloud → Mesh 변환
   • 3D 프린팅 및 AR/VR에서 렌더링을 위해 표면(Surface)을 생성해야 할 때
   • 포인트 클라우드는 면이 없어 비어 보이므로 Triangulation(삼각화) 기법을 통해 메시로 변환
   • CG 모델링, 제품 디자인 등에서 활용
2. Mesh → Point Cloud 변환
   • 3D 딥러닝 모델(PointNet 등)이 포인트 클라우드를 입력으로 사용할 때
   • 자율주행, LiDAR 시뮬레이션에서 센서 데이터처럼 활용할 필요가 있을 때
   • 3D Reconstruction 과정에서 메시를 다시 포인트 클라우드 형태로 변환할 때

 

1️⃣ Point Cloud → Mesh (Triangulation, Surface Reconstruction)

Poisson Surface Reconstruction 예시

 

Ball pivoting algorithm

 

포인트 클라우드를 메시로 변환하는 과정에서 점을 연결해 면을 만드는 기법이 필요하다.

변환 방법	설명	퀄리티	속도
Poisson Surface Reconstruction	포인트 클라우드에 포함된 법선(Normal) 정보를 활용해 부드러운 표면을 복원하는 알고리즘이다. 연속적인 표면을 생성할 수 있어 자연스러운 메시를 만들 수 있지만, 법선 정보가 없거나 오류가 많으면 품질이 낮아질 수 있다.	높음 (부드러운 표면 생성)	느림 (Normal 정보 필요)
Ball Pivoting Algorithm (BPA)	포인트 클라우드 위에 가상의 공을 굴려가며 점들을 연결해 삼각형을 생성하는 방식이다. 공의 크기를 조절하여 더 촘촘한 또는 더 거친 메시를 만들 수 있다. 주로 고해상도 스캔 데이터를 처리하는 데 유용하다.	중간 (세밀한 구조 보존)	보통
Delaunay Triangulation	가장 기본적인 삼각화(Triangulation) 알고리즘으로, 포인트 클라우드에서 가까운 점들을 연결해 삼각형을 만든다. 단순하고 빠르지만, 잡음이 많은 데이터에서는 품질이 떨어질 수 있다.	낮음 (거친 삼각형)	빠름

 

2️⃣ Mesh → Point Cloud (Sampling)

 

 

메시를 포인트 클라우드로 변환할 때는 표면에서 샘플링하는 방식이 사용된다.

변환 방법	설명	퀄리티	속도
Uniform Sampling	메시의 표면에서 균일한 간격으로 점을 샘플링하는 방법이다. 특정한 점 개수를 정하면 메시 전체에서 균등한 간격으로 점을 추출할 수 있어 정밀한 분석이 가능하다.	보통 (일정한 분포)	빠름
Poisson Disk Sampling	점들이 서로 너무 가깝거나 겹치지 않도록 균등하게 분포시키는 방식이다. 너무 밀집된 영역을 방지하면서 균형 잡힌 포인트 클라우드를 생성할 수 있어 신뢰성이 높은 샘플링 방법이다.	높음 (밀집 방지)	느림
Voxel Downsampling	3D 공간을 작은 격자(Voxel)로 나누고, 각 격자에서 대표적인 점 하나를 추출하는 방식이다. 데이터 크기를 줄이는 데 효과적이며, 3D 데이터의 노이즈를 제거하는 데도 유용하다.	낮음 (해상도 감소)	빠름

 

 

 

📌 3D 데이터 생성 기법 결과

3D 데이터를 생성하는 대표적인 기법(SfM, MVS, NeRF)들의 결과물은 각각의 특징을 가지고 있다.

기법	설명	결과 데이터 구조
Structure from Motion (SfM)	다수의 이미지에서 카메라 위치 및 3D 포인트 계산	Sparse Point Cloud
Multi-View Stereo (MVS)	SfM 결과를 기반으로 더욱 조밀한 3D 포인트 클라우드 생성	Dense Point Cloud, Depth Map
Neural Radiance Fields (NeRF)	신경망을 활용해 3D 씬을 복원하고 렌더링	Implicit Representation (MLP)

 

SFM (Structure from Motion)

• 다수의 2D 이미지를 활용해 카메라의 위치를 추정하고 3D 포인트를 계산하는 방식이다.
• 결과는 Sparse Point Cloud 형태이며, 카메라 포즈(Camera Pose) 정보도 함께 제공된다.

MVS (Multi-View Stereo)

• SfM 결과(Sparse Point Cloud)를 기반으로, 다수의 시점을 활용해 더 조밀한 Dense Point Cloud(고밀도 점군)을 생성한다.
• 출력 데이터는 Dense Point Cloud, Depth Map, Normal Map 등이 될 수 있다.

NeRF (Neural Radiance Fields)

• 신경망을 이용해 3D 공간을 연속적인 함수(MLP)로 표현한다.
• Mesh나 Point Cloud가 아니라, 특정한 시점에서의 렌더링을 가능하게 하는 신경 표현(Implicit Representation)을 생성한다.
• 결과 데이터는 Mesh나 Point Cloud로 변환될 수 있지만, 기본적으로 Neural Representation 방식이다.