Downsampling비교
| 방법 | 장점 (Pros) | 단점 (Cons) | 시간 복잡도 (Time Complexity) | 최적 사용 사례 (Best For) |
| 랜덤 다운샘플링 (Random Downsampling) | - 단순하고 빠름 - 구현이 쉬움 - 추가 연산 불필요 | - 중요한 구조 정보를 잃을 수 있음 - 임의로 점을 제거하여 중요한 특징을 놓칠 수 있음 | O(N) (랜덤 샘플 선택) | 포인트 클라우드 크기를 빠르게 줄일 때 |
| 복셀 그리드 다운샘플링 (Voxel Grid Downsampling) | - 점들을 균일하게 분포시킴 - 복셀 크기를 조절하여 밀도 제어 가능 - Open3D에서 구현이 쉬움 | - 세밀한 디테일이 흐려질 수 있음 - 복셀 크기가 너무 크면 날카로운 모서리를 잃을 수 있음 | O(N) (각 점을 복셀 해시에 매핑) | 공간적 일관성을 유지하면서 일반적인 다운샘플링 |
| 균일 그리드 서브샘플링 (Uniform Grid Subsampling, Spatial Pooling) | - 공간적 일관성 보존 - 균등 분포된 점에서 잘 작동 - 대규모 구조에서 랜덤 다운샘플링보다 나음 | - 세부 영역을 과도하게 단순화할 수 있음 - 랜덤 다운샘플링보다 계산 비용이 큼 | O(N log N) (정렬 기반 서브샘플링 구현 시) O(N) (간단한 해시 기반 구현 시) | 균형 잡힌 밀도가 필요한 대규모 포인트 클라우드 |
| 곡률 보존 샘플링 (Curvature-Preserving Sampling) | - 모서리, 코너와 같은 중요한 특징을 보존 - 기하학적 복잡성이 높은 영역에 우선순위 부여 - 세밀한 디테일이 필요한 작업에 적합 | - 계산 비용이 큼 - 법선과 곡률 추정 필요 - 구현이 복잡함 | O(N log N) (근접 탐색 + 곡률 계산) 최악의 경우 O(N²) (kNN 반복 시) | 구조적 세부 보존이 필요한 작업 |