포인트 클라우드 (Point Cloud)
쉽게 풀면
모래사장에 서 있는 사람의 실루엣을 촘촘한 모래 알갱이로 따라 그린다고 상상해보세요. 알갱이 하나하나가 "여기에 표면이 있다"는 위치 정보를 담고 있고, 이 알갱이들을 다 모으면 멀리서 봤을 때 사람 모양이 드러납니다. 포인트 클라우드도 마찬가지입니다. 라이다(LiDAR)나 3D 스캐너가 레이저를 쏘아 물체 표면에 부딪힌 지점들의 X, Y, Z 좌표를 수백만 개씩 수집하면, 그 점들의 집합이 곧 물체나 공간의 3차원 형태를 나타내게 됩니다. 자율주행차가 주변 도로와 장애물의 거리를 인식하거나, 3D 스캔으로 문화재를 디지털로 기록할 때 이 방식이 널리 쓰입니다.
왜 중요한가
포인트 클라우드는 실제 3차원 세계를 컴퓨터가 다룰 수 있는 형태로 옮기는 가장 기본적인 표현 방식이기 때문에, 자율주행, 로보틱스, 3D 컴퓨터 비전, 문화재 디지털 복원 등 물리적 공간을 다루는 거의 모든 연구 분야에서 핵심 입력 데이터로 등장합니다. 최근에는 딥러닝 모델이 이미지가 아닌 포인트 클라우드를 직접 입력받아 3차원 형태를 이해하는 방향으로 발전하면서, 어떻게 하면 순서 없는 점들의 집합에서 효율적으로 특징을 뽑아낼지가 컴퓨터비전 분야의 중요한 연구 주제가 되었습니다. 또한 3D 프린팅이나 디지털 트윈처럼 실물을 가상 공간에 정확히 재현하는 응용에서도 포인트 클라우드의 밀도와 정확도가 결과물의 품질을 좌우합니다.
논문에서는 이렇게 쓰입니다
이 문장은 카메라 영상이 아니라 라이다가 측정한 3차원 점들의 집합을 모델의 입력 데이터로 사용했다는 뜻입니다.
문화재 디지털 보존 연구에서는 여러 각도에서 촬영한 포인트 클라우드 조각들을 하나로 정렬(정합)해 물체 전체의 3차원 형상을 재구성하는 작업이 핵심 절차로 다뤄집니다.
딥러닝 기반 3D 비전 연구에서는 포인트 클라우드를 격자(voxel)나 이미지로 변환하지 않고 점들의 집합 자체를 신경망에 입력해 각 점이 어떤 물체에 속하는지 분류하는 방식이 활발히 연구되고 있습니다.
조금 더 깊게 보면
포인트 클라우드를 다루는 연구를 읽을 때는 점들의 개수(밀도), 노이즈 수준, 그리고 점들 사이에 정해진 순서나 격자 구조가 없다는 특성(비정형성)을 함께 이해하는 것이 중요합니다. 이런 비정형적 특성 때문에 이미지에 쓰이는 합성곱 신경망을 그대로 적용하기 어려워, 점들을 복셀(voxel) 격자로 변환하거나 점 자체를 직접 처리하는 특화된 신경망 구조가 개발되어 왔습니다. 여러 스캔을 하나로 합치는 정합 과정에서는 흔히 ICP(Iterative Closest Point) 같은 알고리즘이 사용됩니다.
주의할 점
포인트 클라우드는 점들이 표면 위에 흩어져 있을 뿐 서로 연결된 면(폴리곤) 정보가 없기 때문에, 그 자체로는 매끈한 3D 모델이 아닙니다. 화면에 사실적인 3D 물체를 렌더링하려면 점들을 삼각형 면으로 이어 붙이는 후처리가 필요하며, 이는 래스터화처럼 최종 화면 픽셀로 변환하는 과정과는 별개의 단계입니다. 또한 센서 오차나 가림 현상으로 점이 듬성듬성하거나 빠진 부분(구멍)이 생길 수 있어, 원본 포인트 클라우드를 그대로 신뢰하기보다 보정 과정을 거치는 경우가 많습니다.