3Dインスタンスセグメンテーションのためのマスク・アテンションフリーTransformer

最近、Transformerベースの手法が3Dインスタンスセグメンテーションを支配しており、マスクアテンションが一般的に用いられている。具体的には、最初のクロスアテンションにおいてオブジェクトクエリが初期のインスタンスマスクによってガイドされ、その後、類似の手法で反復的に自己修正される。しかし、本研究では、マスクアテンションのパイプラインが初期のインスタンスマスクの再現率（recall）が低いため、収束が遅くなる傾向にあることに着目した。そのため、マスクアテンションの設計を放棄し、代わりに補助的な中心座標回帰タスクを導入した。中心座標回帰により、低再現率の問題を効果的に克服しつつ、位置情報の事前知識（positional prior）を導入することでクロスアテンションを実現した。この目的を達成するため、位置情報に敏感な複数の設計を提案した。まず、初期の位置クエリとして3D空間内の空間分布を学習する。これらは3D空間に密に分布しており、高い再現率でシーン内のオブジェクトを捉えることが可能となる。さらに、クロスアテンションに向けた相対位置符号化（relative position encoding）と、より正確な位置クエリを得るための反復的修正機構を提案した。実験の結果、本手法は既存手法と比較して4倍高速に収束し、ScanNetv2 3Dインスタンスセグメンテーションベンチマークにおいて新たなSOTA（最良の成果）を達成した。また、さまざまなデータセットにおいても優れた性能を示した。コードおよびモデルは、https://github.com/dvlab-research/Mask-Attention-Free-Transformer で公開されている。