スケーラブルな3Dパノプティックセグメンテーション：スーパポイントグラフクラスタリングによる実現

大規模な3D点群に対するパンタキシックセグメンテーションを、スケーラブルなグラフクラスタリング問題として再定式化することにより、非常に効率的な手法を提案する。本手法は、訓練時に局所的な補助タスクのみを用いて学習可能であり、従来のインスタンスマッチングステップのリソース集約的な処理を排除する。さらに、本定式化はスーパーポイント（superpoint）パラダイムに容易に適応でき、さらなる効率性向上を実現する。これにより、本モデルは数百万点の点群と数千のオブジェクトを単一の推論処理で処理可能となる。提案手法「SuperCluster」は、2つの屋内スキャンデータセット（S3DIS Area 5とScanNetV2）において、それぞれ50.1 PQ（+7.8）、58.7 PQ（+25.2）という新たな最先端性能を達成した。また、2つの大規模なモバイルマッピングベンチマーク（KITTI-360およびDALES）においても、初めて最先端の結果を設定した。パラメータ数はわずか209kであり、競合手法中最も優れたものよりも30倍以上小さく、訓練速度は最大15倍まで高速化される。本研究のコードおよび事前学習済みモデルは、https://github.com/drprojects/superpoint_transformer にて公開されている。