Dalle nuvole di punti alle superfici 3d: confronto tra tecniche di ricostruzione tradizionali e basate sul machine learning

La ricostruzione tridimensionale (3D) da nuvole di punti è diventata una tecnologia essenziale in settori come realtà aumentata e virtuale, robotica, medicina e ingegneria. Questa tecnica consente di trasformare nuvole di punti, raccolte tramite sensori 3D, in modelli digitali utilizzabili per simulazioni, analisi e interazioni in ambienti virtuali. L’accuratezza delle ricostruzioni è cruciale per applicazioni che spaziano dalla visualizzazione anatomica alla navigazione autonoma dei robot. In realtà aumentata e virtuale, la ricostruzione 3D permette di creare ambienti immersivi per videogiochi, simulazioni di formazione e progettazione architettonica. In robotica, questi modelli 3D migliorano la navigazione autonoma, fornendo ai robot informazioni più accurate sull’ambiente circostante, utili per interagire dinamicamente con gli oggetti. In medicina, la ricostruzione 3D ha rivoluzionato la chirurgia, consentendo ai medici di visualizzare strutture anatomiche complesse con grande precisione. La crescente accessibilità ai sensori 3D e la richiesta di modelli sempre più accurati hanno stimolato l’evoluzione di tecniche avanzate di ricostruzione 3D. Di fronte a queste esigenze, questa tesi propone una panoramica dei principali metodi per ricostruire superfici da nuvole di punti, confrontando metodi tradizionali con quelli basati sul machine learning e approcci ibridi che combinano i vantaggi di entrambi. L’obiettivo è identificare quando è più performante l’uso di un metodo rispetto all’altro. L’integrazione del deep learning ha aperto nuove possibilità nel campo della ricostruzione 3D. Queste tecniche avanzate hanno colmato le lacune dei metodi tradizionali, offrendo modelli più precisi e in grado di gestire dati incompleti o rumorosi, migliorando la rappresentazione di forme complesse e la capacità di generalizzare rispetto ai metodi classici.