ポイントクラウド上の3Dインスタンスセグメンテーションのためのスケーラブルな SoftGroup

本論文では、正確かつスケーラブルな3Dインスタンスセグメンテーションを実現するネットワーク「SoftGroup」を提案する。既存の最先端手法は、まずハードなセマンティック予測を行い、その後にインスタンスセグメンテーション結果をグループ化するアプローチを採用している。しかし、ハードな決定に起因する誤りがグループ化プロセスに伝播するため、予測されたインスタンスと真値との重複度が低く、多数の誤検出（false positives）が生じるという問題がある。上記の課題を解決するため、SoftGroupは各点が複数のクラスに属する可能性を許容することで、セマンティック予測に起因する不確実性を軽減する。また、誤検出インスタンスを背景クラスとして分類する能力を学習させることで、それらの抑制を実現している。スケーラビリティの観点からは、既存の高速手法は大規模シーンにおいて数十秒単位の計算時間を要しており、リアルタイム処理には不十分である。本研究の発見として、グループ化の前提となる$k$-Nearest Neighbor（$k$-NN）モジュールが計算上のボトルネックを引き起こしていることが明らかになった。この問題を解決するために、SoftGroupを拡張した「SoftGroup++」を提案する。本手法は、octreeベースの$k$-NNにより時間計算量を削減し、クラスに依存するピラミッドスケーリングと遅延デボクセライゼーション（late devoxelization）により探索空間を効率化している。複数の屋内・屋外データセットにおける実験結果から、提案手法であるSoftGroupおよびSoftGroup++の有効性と汎用性が示された。特に、AP$_{50}$指標において、最も優れたベースライン手法を6%～16%の大きな差で上回っている。大規模シーンを含むデータセットでは、SoftGroup++はSoftGroupに比べて平均6倍の高速化を達成している。さらに、SoftGroupはオブジェクト検出およびパノプティックセグメンテーションへの拡張も可能であり、既存手法に対して顕著な性能向上を示している。本研究のソースコードおよび学習済みモデルは、\url{https://github.com/thangvubk/SoftGroup}にて公開されている。