Jede Dekade klettert eine Vermessungstruppa meine Viadukte mit einer Leica hinauf und kommt mit einer Lüge der Fülle herunter — hunderte Millionen Punkte, wo einige tausend die Wahrheit hätten sagen sollen. Ein terrestrischer Scan eines einzelnen Bogens liefert mehr Geometrie, als jedes BIM-Modell auf dem Schreibtisch tragen kann, doch fast nichts davon ist Information. Dieselbe flache Bogenzwickel, zehn tausend Mal abgetastet. Point-Cloud-Vereinfachung ist die Disziplin, die entscheidet, welche dieser Stichproben ich wirklich brauchte, um eine Struktur zu dokumentieren, die noch ein Jahrhundert den Morgenverkehr trägt.

Das ist eine Grundlage, keine Komprimierungseinstellung. Der Scanner ist grosszügig bis zum Überfluss; der Ingenieur muss präzise sein, was er vergessen soll.

←HEUTE: Im 2026 liefert ein terrestrischer Scan eines Eisenbahnviadukts hunderte Millionen Punkte — weit mehr, als jedes Scan-zu-BIM-Modell tragen kann. →3012: Bis 3012 ist das Bestandswerk durchgehend, nicht Vermessungsereignis, und das Risiko verschiebt sich von zu vielen Punkten zu einer Struktur, die ihre eigene Redundanz leise vergisst. Drehpunkt: Ein Scan ist nur dann Dokumentation, wenn du jeden gelöschten Punkt mit dem Stahllineal gegen die Wand verteidigen kannst.

Was es ist

Point-Cloud-Vereinfachung ist das bewusste Ausdünnen eines dichten 3D-Scans, so dass er leicht genug zu bearbeiten und ehrlich genug ist, um darauf zu vertrauen. Ein Laserscanner oder ein Photogrammetrie-Rig misst viele Punkte auf den Aussenflächen um sich herum; die Rohdaten sind redundant, verrauscht und ungleichmässig verteilt. Vereinfachung beantwortet genau eine Frage, wie die PAZ-Concept-Bibliothek sie formuliert: welche dieser Punkte können wir wegwerfen, ohne den Gegenstand zu verlieren? Der ingenieurmässige Name für die gute Antwort ist rationale Dezimation — entferne Punkte, wo die Oberfläche eben und vorhersehbar ist, behalte sie, wo Krümmung, Kanten oder aussagekräftige Merkmale strukturelle Bedeutung haben. Eine flache Wand kann mit einer Handvoll Punkten beschrieben werden. Eine Fensterlaibung, ein Gesims, ein Kapitäl, der Scherkern am Fuss eines Pfeilers nicht.

Warum es funktioniert

Es funktioniert, weil Geometrie nicht gleichmässig informativ ist. Auf einer flachen Bogenzwickel ist jeder Punkt von seinen Nachbarn vorhersehbar, also fügen die meisten nichts als Gewicht hinzu. An einer Kante oder einer Kurve ist jeder Punkt der einzige Zeuge, wo die Oberfläche sich wendet. Vereinfachung nutzt diese Asymmetrie aus: sie schätzt lokale Oberflächenvariation — Krümmung — und gibt ihr Punktbudget aus, wo die Geometrie es verdient.

Moderne Pipelines arbeiten in zwei Schritten. Zuerst extrahieren sie Merkmalspunkte durch Krümmungsschätzung, so dass Kanten vor der Löschung geschützt sind. Dann partitionieren sie die verbleibende Cloud — k-means plus Possibilistic C-Means oder Graphfilter — so dass die Dichte gleichmässig bleibt, während die Topologie erhalten bleibt. Die probabilistischen Varianten, die 2024 in Frontiers in Physics veröffentlicht wurden, lassen einen einzelnen Punkt teilweise mehreren Clustern angehören, was genau verhindert, dass eine Clustergrenze sauber durch ein Merkmal schneidet. Die zwei Fehlermodi sind symmetrisch und beide sind tödlich: ein über-dezimierter Scan löscht lautlos das wahre Gesicht einer Wand, so dass das Modell leicht aber falsch ist; ein unter-dezimierter zerquetscht den Modellierer und die Maschine, so dass das Modell ehrlich aber unbrauchbar ist. Merkmalserhaltende Vereinfachung ist das enge Band, in dem ein Scan-zu-BIM-Workflow leicht und geometrisch ehrlich bleibt.

Herkunft

Das Feld ist ungefähr drei Jahrzehnte alt und hat zweimal gedreht. Die erste Generation, aus den späten 1990ern und 2000ern, war rein geometrisch. Krümmungs- und Clustering-basierte Dezimation dünnte dichte Scans aus, während sie versuchte, scharfe Kanten und Oberflächentopologie zu halten — Song & Fengs New Point Cloud Simplification Algorithm, aufgebaut auf Mittelkrümmungs-Segmentierung, ist der Archetyp: behalte Punkte, wo sich die Oberfläche biegt, wirf sie weg, wo sie das nicht tut.

Um 2019 verschoben sich die Grundlagen. Graph-spektrale Formulierungen — Qiao et al. auf ICME’19 — stellten die Cloud als ein auf einem Graphen lebendes Signal dar und filterten sie, wobei sie die Mathematik der Signalverarbeitung ganz aufnahmen. Dann kamen die lernbasierten Netze: PCS-Net 2022 machte den Kompromiss zwischen Merkmalserhaltung und Dichte-Gleichmässigkeit zu einem expliziten, trainierbaren Ziel statt einer Hand-Tuned-Heuristik. Die jüngste Arbeit, GP-PCS 2024, modelliert Oberflächenvariation mit Gauss-Prozessen auf Riemannschen Mannigfaltigkeiten für One-Shot-Ausdünnung ohne Rekonstruktion — sie entscheidet, was zu behalten ist, ohne das Mesh je zu bauen. Drei Jahrzehnte, ein unveränderliches Problem: ehrliche Löschung. Es ist der gleiche Instinkt, den eine Eisenbahn für ihr eigenes Netzwerk hegt. Du wartest nicht jeden Meter Schiene mit gleicher Aufmerksamkeit; du verbringst das Wartungsfenster, wo die Last und die Geometrie es fordern.

In der Praxis

Atelier: Im PAZ Atelier behandeln wir Vereinfachung als redaktionelle Arbeit, nicht als Schieberegler. Bevor ein einzelner Punkt gelöscht wird, scannen wir die Umhüllung mit der Leica, führen sie in CloudCompare zusammen und bereinigen sie, und entscheiden — nach Merkmalklasse — wo Ehrlichkeit nicht verhandelbar ist: Fensterlaibungen, Anschlüsse, Lastpfade, das wahre Gesicht einer Wand. Erst dann dünnen wir aus, und das Rhino + Grasshopper Modell, das herauskommt, ist absichtlich leicht, aber jeder gelöschte Punkt war eine Entscheidung, die wir verteidigen könnten, wenn jemand ein Stahllineal daran ansetzt. Das ist am wichtigsten genau da, wo naive Dezimation fehlschlägt: bei Ornament und Struktur. Clustering-und-Salienz-Arbeiten in npj Heritage Science (2025) zeigten, dass salienzgewichtete Ausdünnung schnitzgeschnitzte Details erhält, die ein gewöhnlicher Voxelfilter als Rauschen lesen würde; der gleiche Instinkt schützt einen Kragstein oder eine Nietlinie auf einer Denkmalbrücke. City-scale LiDAR-Arbeit im International Journal of Digital Earth (2025) macht den schärferen Punkt für jeden, der einen ganzen Korridor ausdünnt: eine globale Voxelgrösse ruiniert Fassade, Boden und Vegetation auf einmal — die echte Technik ist die Auswahl der Dichte pro Merkmalklasse. PAZ hat diese Schwesterndisziplin bereits vorher abgedeckt, in unseren 3D-Rekonstruktionsnotizen zur Notre-Dame-Point-Cloud — Andrew Tallons eine Milliarde Lasermessungen von ungefähr 2015, erfasst für die Wissenschaft und dann nach dem 2019er Brand die Rekonstruktionsreferenz. Das ist das ganze Argument in einem Asset: das Bestandswerk-Modell, das niemand je brauchte, ist dasjenige, das dir erlaubt, zum Ding selbst statt zu einer Vermutung zu rekonstruieren. Dein Montagsschritt: wähle eine Merkmalklasse bei deinem nächsten Scan — die Fensterlaibungen zum Beispiel — und setze die Zieldichte, bevor du die globale Voxelgrösse berührst, so dass das Büro entscheidet, was zu behalten ist, statt was der Standard zufällig behielt.

Hack

Hack: Dünne einen Viaduktscan um eine einzelne Voxelzelle aus und lies die ehrliche Löschung als ein Verhältnis, bevor du irgendetwas davon vertraust. Lade eine Rohcloud vom Scanner — die 100k-Punkt-Referenz der Quelle ist ein angemessener Proxy für einen echten Bogen — reduziere alle 0.03 m (3 cm) Zelle auf einen Punkt mit Open3Ds voxel_down_sample, und gib die Vorher-Nachher-Anzahl aus. Das Verhältnis sagt dir sofort, ob du echte Geometrie oder zehn tausend Kopien einer flachen Bogenzwickel anschaust. Dieser Schritt ist absichtlich topologieblind: das Voxelgitter macht jede Kante gleichmässig weich, was genau die Baseline ist, die du spüren willst, bevor du dich der krümmungsgewichteten Ausdünnung von Song & Fengs Mittelkrümmungs-Linie zuwendest, die ihr Budget ausgibt, wo sich die Oberfläche biegt. Führe es auf einem Viaduktscan durch und das flache Bogenfass verdunstet, während die Zahlen lesbar bleiben.

import open3d as o3d
pcd = o3d.io.read_point_cloud("viaduct_scan.ply")
thin = pcd.voxel_down_sample(voxel_size=0.03)  # one 3 cm cell -> one point
ratio = len(pcd.points) / max(1, len(thin.points))
print(len(pcd.points), "->", len(thin.points), f"({ratio:.1f}x)")

Wenn dieses Verhältnis zehn-zu-eins ist und das Modell seine Kanten noch hält, trugst du neun redundante Punkte für jeden echten. Wenn die Kanten weich werden, hast du gerade gesehen — in einer einzigen Zahl — warum krümmungsbewusste Ausdünnung existiert.

Die Flugbahn ist klar: von Krümmungs-Heuristiken über Graphspektren bis zu gelernter und Mannigfaltigkeits-modellierter Ausdünnung, die nichts rekonstruiert und alles erhält, was zählt. Für den Ingenieur, der ein Jahrhundert-Vermögen dokumentiert, war das Versprechen nie kleinere Dateien — es sind Scans, die bei jedem Gewicht ehrlich bleiben, so dass der Sprung von der Baustelle zu BIM aufhört, ein verlustbehafteter Kompromiss zu sein, und wird zur treuen Übersetzung. Bevor dein nächster Scan-zu-BIM-Job, schreibe die eine Merkmalklasse auf, die du unter dem Stahllineal verteidigen würdest, und dünne alles andere darum aus. Der Scanner wird weiter grosszügig sein. Unsere Aufgabe ist, präzise zu sein, worüber wir wählen zu vergessen.