PointASNL：適応的サンプリングを用いた非局所ニューラルネットワークによるロバストなポイントクラウド処理

3Dセンサーからの取得や再構成アルゴリズムによって得られる点群データは、必然的に外れ値やノイズを含む。本論文では、ノイズを含む点群データに対しても効果的に対処できる、ロバストな点群処理を実現するエンドツーエンドネットワーク「PointASNL」を提案する。本手法の核心となるのは、適応的サンプリング（Adaptive Sampling: AS）モジュールである。このモジュールは、まず最遠点サンプリング（Farthest Point Sampling: FPS）で初期にサンプリングされた点の近傍点に対して再重み付けを行い、その後、全体の点群にわたってサンプリング点を適応的に調整する。ASモジュールは点群の特徴学習を促進するだけでなく、外れ値によるバイアス効果を軽減する効果も有している。さらに、サンプリングされた点の局所的および長距離依存関係を効果的に捉えるために、非局所演算（nonlocal operation）を着想源とする局所-非局所（Local-Nonlocal: L-NL）モジュールを提案する。このL-NLモジュールにより、学習プロセスはノイズに対してより頑健となる。広範な実験により、合成データ、屋内データ、屋外データ（ノイズあり・なしを含む）のいずれにおいても、本手法のロバスト性と優位性が確認された。特に、すべてのデータセットにおいて分類およびセグメンテーションタスクで最先端のロバスト性能を達成し、実世界の屋外データセットであるSemanticKITTI（ノイズを含む）においても、従来手法を顕著に上回る性能を発揮した。本研究の実装コードは、https://github.com/yanx27/PointASNL にて公開されている。