Campos de distâncias sem sinal para a completude de cenas tridimensionais oriundas de aquisições de sistemas LiDAR

A tecnologia LiDAR, acrônimo para Light Detection and Ranging, utiliza feixes de laser para medir distâncias e é amplamente empregada na digitalização de grandes áreas ao ar livre. Apesar de suas vantagens, o processamento dos dados LiDAR enfrenta desafios significativos, como a presença de lacunas resultantes da remoção de objetos indesejados. A completude de cenas é um campo de estudo que busca reconstruir a geometria original de observações incompletas, sendo crucial em aplicações como a reconstrução de imagens obtidas por sensores LiDAR e RGB-D. Nos últimos anos, redes neurais têm se destacado como ferramentas promissoras para esse propósito. Entre as abordagens mais recentes, destaca-se a codificação por meio de funções implícitas, que utilizam Campos de Distância sem Sinal (UDFs, do inglês Unsigned Distance Fields). Esse método calcula a distância absoluta de qualquer ponto no espaço tridimensional até a superfície de interesse. Além de ser conceitualmente simples, os UDFs são particularmente eficazes na reconstrução de formas abertas e objetos com estruturas internas, alcançando resultados equivalentes ou superiores ao estado da arte em experimentos com nuvens de pontos esparsas derivadas de malhas digitais. Este trabalho avalia o uso de UDFs para treinar redes neurais na tarefa de completar áreas faltantes em imagens geradas por LiDAR, além de realizar experimentos comparativos com malhas digitais. Os resultados mostram que a codificação por UDFs é promissora para a completude de cenas. Contudo, anomalias são verificadas em regiões de ruído e nas extremidades das formas, sugerindo a necessidade de ajustes no treinamento e experimentos futuros em condições aprimoradas.