局所的なパッチを越えて：3次元点群のトークン化による自己注意機構の強化を用いたグローバル–ローカル相互作用の保持

最近、Transformerに基づくアーキテクチャは、3Dオブジェクト形状分類やセマンティックセグメンテーションを含む多様なポイントクラウド理解タスクにおいて、優れた性能を示している。特に、長距離依存関係を捉える能力を持つ自己注意（self-attention）メカニズムに起因している。しかし、現在の手法は、二次的なメモリ制約により、局所的なパッチ内でのみ自己注意を実行している。この制限は、初期層での非局所性の喪失に起因し、モデルの汎化能力およびスケーラビリティを阻害している。この課題に対処するため、本研究では、局所パッチ内の情報統合と同時に長距離依存関係を捉えるウィンドウベースのTransformerアーキテクチャを提案する。本手法では、シーン全体を代表する点群トークンの集合と各ウィンドウを相互作用させ、3D方向勾配ヒストグラム（HOG）記述子を用いて局所的な幾何情報を拡張することで実現している。S3DISにおけるセマンティックセグメンテーション、ShapeNetPartにおけるパーツセグメンテーション、ScanObjectNNにおける3Dオブジェクト分類という複数のタスクにおいて実験を行い、本モデルがS3DISでmIoUが+1.67%向上し、ShapeNetPartではインスタンスmIoUが+1.03%向上するなど、最先端の性能を達成した。また、ScanObjectNNにおける3Dオブジェクト分類でも競争力のある結果を示した。コードおよび学習済みモデルは、公開予定である。