点群からメッシュへ変換する主要アルゴリズム解説｜マーチングキューブ・Poisson法
LiDARや3Dスキャナで取得した「点群（Point Cloud）」は、そのままでは単なる座標の集まりに過ぎません。これをゲームエンジンで表示したり、3Dプリンタで出力したりするためには、点と点をつないで面を作る「メッシュ化（サーフェス復元）」という工程が必要になります。
本記事では、数あるアルゴリズムの中でも特に重要な「マーチングキューブ法」「Poisson（ポアソン）法」「Ball Pivoting法」を中心に、その仕組みと使い分けを詳しく解説します。
なぜ点群をメッシュに変換するのか？
点群は計測が容易な反面、以下のような課題があります。
- レンダリング効率: 点の数が数百万〜数千万になると、描画負荷が非常に高くなる。
- 形状の不透明性: 点の間隙があるため、裏側が透けて見えてしまう。
- 物理演算: 衝突判定や流体シミュレーションを行うには、連続した「面」の情報が不可欠。
これらの課題を解決し、実用的な3Dモデルにするのがメッシュ化アルゴリズムの役割です。
1. マーチングキューブ法 (Marching Cubes)
マーチングキューブ法は、医用画像（CTやMRI）から3Dモデルを作る際などに考案された、最も古典的かつ強力なアルゴリズムです。
アルゴリズムの仕組み
空間を小さな立方体（キューブ/ボクセル）で分割し、その各頂点の「値（等値面からの距離など）」をチェックします。キューブの8つの頂点が「内側」か「外側」かの組み合わせ（256パターン）に基づき、あらかじめ用意されたルックアップテーブルを参照して、キューブ内に適切な三角形を配置していきます。
メリット: 構造がシンプルで並列化しやすく、GPUでの高速処理に向いています。
デメリット: メッシュが階段状になりやすく、非常に細かいディテールを表現するには大量のメモリを消費します。
2. Poisson（ポアソン）表面再構成
現代の点群処理において、最も「滑らかで美しい」結果が得られるのがPoisson法です。
アルゴリズムの仕組み
この手法は、点群を単なる点の集合ではなく、「ベクトルの流れ」として捉えます。点群の各点が持つ法線ベクトルを元に、空間全体における「インジケータ関数（物体の内側か外側かを示す関数）」を推定します。この関数の勾配が法線ベクトルと一致するようにポアソン方程式を解くことで、滑らかな表面を導き出します。
重要パラメータ: depth (八分木の深さ)
この値を大きくするほど解像度が上がりますが、計算時間とメモリ使用量が指数関数的に増加します。通常は depth=8〜10 程度がバランスが良いとされます。
3. Ball Pivoting Algorithm (BPA)
ポアソン法が数学的な推定に基づいているのに対し、Ball Pivotingは非常に直感的で幾何学的なアプローチです。
アルゴリズムの仕組み
仮想的な「球」を点群の上で転がすイメージです。3つの点に球が接したとき、それを三角形の面とします。そこから球をピボット（回転）させて次の点を探し、次々と面を貼っていきます。
重要パラメータ: radius (球の半径)
点の間隔に対して球が小さすぎると面が貼られず穴だらけになり、大きすぎると細かい形状が無視されてしまいます。点群の密度に合わせて適切な半径を設定する必要があります。
手法の比較まとめ
| 手法 | 得意なこと | 苦手なこと |
|---|---|---|
| Marching Cubes | ボリュームデータ、高速処理 | メモリ消費、鋭いエッジの消失 |
| Poisson | ノイズに強く滑らか、穴埋め | 法線情報が必須、計算が重い |
| Ball Pivoting | 計測点に忠実、幾何学的 | ノイズや穴に弱い、半径調整 |
まとめ：最適な手法を選ぶには
点群からメッシュへの変換に「唯一の正解」はありません。ノイズが多い屋外スキャンデータであればPoisson法で滑らかに仕上げるのが定石ですし、精密な工業製品の形状を忠実に再現したい場合はBall PivotingやDelaunay三角形分割の検討が必要です。
まずは、手持ちのデータに「法線情報（Normal）」が含まれているかを確認しましょう。法線があればPoisson法が最も安定した結果をもたらしてくれるはずです。