Onion-Hash: a rotation-resistant perceptual hash for 3D models

This thesis delves into the realm of 3D model perceptual hashing, scrutinizing existing methodologies and introducing a novel rotation-resistant approach, the Onion-Hash algorithm, to enhance the accuracy and efficiency of 3D model matching. The study begins by critically examining the Fourier Fingerprint Search (FFS) framework, a contemporary solution utilizing 2D Fast Fourier Transformations (FFT) to generate compact fingerprints from 3D models. While the FFS framework attempts to tackle challenges associated with model rotations through innovative techniques, this study sheds light on its inherent limitations. In response to the shortcomings of the FFS framework, Onion-Hash pioneers an alternative rotation-resistant representation algorithm. Departing from conventional approaches, this algorithm harnesses concentric spheres to encapsulate 3D models, ensuring robustness against rotations. The study meticulously evaluates both the FFS framework and the proposed rotation-resistant approach through systematic experiments and analyses. Key factors, including rotation invariance, performance degradation, and algorithmic trade-offs, are scrutinized to offer comprehensive insights into the strengths and limitations of the FFS framework. Crucially, this study showcases a significant departure from the FFS framework, presenting Onion-Hash as an entirely distinct algorithm that stands as a testament to the commitment to advancing 3D model perceptual hash methodologies. Through rigorous evaluation and meticulous analysis, this research establishes a robust foundation for future developments in the field. This thesis not only illuminates the challenges posed by existing methods but also introduces a transformative approach, setting the stage for a new era in the domain of 3D model representation.

Questa tesi approfondisce il campo del perceptual hashing dei modelli 3D, esaminando le metodologie esistenti e introducendo un nuovo approccio resistente alla rotazione, l'algoritmo Onion-Hash, per migliorare l'accuratezza e l'efficienza della corrispondenza del modello 3D. Lo studio inizia esaminando criticamente il framework Fourier Fingerprint Search (FFS), una soluzione contemporanea che utilizza trasformazioni veloci di Fourier (FFT) 2D per generare fingerprints compatte da modelli 3D. Mentre il framework FFS tenta di affrontare le sfide associate alle rotazioni dei modelli attraverso tecniche innovative, questo studio fa luce sui suoi limiti intrinseci. In risposta alle carenze del framework FFS, Onion-Hash è pioniere di un algoritmo di rappresentazione alternativo resistente alla rotazione. Allontanandosi dagli approcci convenzionali, questo algoritmo sfrutta sfere concentriche per incapsulare modelli 3D, garantendo robustezza contro le rotazioni. Lo studio valuta meticolosamente sia il framework FFS che l'approccio resistente alla rotazione proposto attraverso esperimenti e analisi sistematiche. I fattori chiave, tra cui l'invarianza della rotazione, il degrado delle prestazioni e i compromessi algoritmici, vengono esaminati attentamente per offrire approfondimenti completi sui punti di forza e sui limiti del framework FFS. Fondamentalmente, questo studio mostra un significativo allontanamento dal framework FFS, presentando Onion-Hash come un algoritmo completamente distinto che testimonia l’impegno nel far avanzare le metodologie di perceptual hashing dei modelli 3D. Attraverso una valutazione rigorosa e un’analisi meticolosa, questa ricerca stabilisce una solida base per gli sviluppi futuri nel campo. Questa tesi non solo illumina le sfide poste dai metodi esistenti, ma introduce anche un approccio trasformativo, ponendo le basi per una nuova era nel campo della rappresentazione dei modelli 3D.