點雲

點雲（point cloud）是三維形狀最簡單而誠實的表示法：就只是一組點，每個點由它的 x、y、z 座標給定，漂浮在場景表面所在的空間裡。沒有連接性、沒有內外之分、沒有面——只有一群樣本。想像對一座雕像噴上數千個會發光的小點，黏在它的表面；把雕像關掉，光點本身仍勾勒出它的形狀。那一群點就是點雲，也是大多數三維感測器與重建流程的原生輸出。

除了位置，每個點通常還帶有額外的通道。光達點帶有強度（雷射反射的強弱），常還有時間戳與環索引。攝影測量的點帶有從影像複製來的 RGB 顏色。許多流程還會計算每點的表面法向量——表面朝向的方向——這對著色、網格化與配準至關重要。所以點雲最好被想成一份記錄清單，每點一筆，至少有三個幾何數字，並可選地附帶顏色、法向量、強度與語意標籤。

點雲來自多種來源。光達（裝在自駕車、無人機與測量掃描儀上）藉由計時雷射返回直接量測點，即使在黑暗中也能給出準確的度量幾何。深度相機（結構光或飛時）產生有組織的點雲，每像素一點。多視角立體與運動回復結構則從一般照片產生點雲。每種來源有其特有的密度、雜訊型態與覆蓋範圍，這決定了你如何處理結果。

決定性的運算挑戰在於點雲是無序且不規則的——沒有格點，點可以任意稠密或稀疏，而且這個集合對重新排序不變。這破壞了假設規則格點的一般卷積。因此經典處理仰賴空間資料結構（k-d 樹、八元樹）做鄰居查詢、體素格做降採樣、ICP（疊代最近點）對齊兩團點雲、RANSAC 擬合平面與形狀，以及 Poisson 或滾球（ball-pivoting）重建做網格化。點雲上的深度學習由 PointNet 開啟，它以共享的逐點網路與對稱池化來尊重排列不變性，其後有 PointNet++、稀疏體素卷積，以及用於偵測、分割與分類的點轉換器（point transformer）。