FoldingNet: 깊은 격자 변형을 통한 포인트 클라우드 오토인코더

최근 점 집합 내의 점을 직접 처리하는 딥 네트워크, 예를 들어 PointNet은 점 구름에 대한 분류 및 세그멘테이션과 같은 지도 학습 작업에서 최고 수준의 성능을 보여주고 있습니다. 본 연구에서는 이러한 점 구름에 대한 비지도 학습 문제를 해결하기 위해 새로운 엔드투엔드 딥 오토인코더를 제안합니다. 인코더 측면에서는 그래프 기반 강화가 적용되어 PointNet 위에서 지역 구조를 촉진합니다. 그 다음, 새로운 폴딩(folding) 기반 디코더는 표준 2D 그리드를 점 구름의 기본 3D 객체 표면으로 변형하여 섬세한 구조를 가진 객체에서도 낮은 재구성 오류를 달성합니다. 제안된 디코더는 완전 연결 신경망을 사용하는 디코더보다 약 7%의 매개변수만 사용하지만, 더 차별화된 표현을 생성하여 벤치마크보다 높은 선형 SVM 분류 정확도를 달성합니다. 또한 이론적으로 제안된 디코더 구조가 2D 그리드에서 임의의 점 구름을 재구성할 수 있는 일반적인 아키텍처임이 증명되었습니다. 우리의 코드는 http://www.merl.com/research/license#FoldingNet 에서 확인할 수 있습니다.