PU-Net: 포인트 클라우드 업샘플링 네트워크

3D 포인트 클라우드를 딥 네트워크로 학습하고 분석하는 것은 데이터의 희소성과 불규칙성 때문에 어려운 문제입니다. 본 논문에서는 데이터 기반의 포인트 클라우드 업샘플링 기술을 제시합니다. 주요 아이디어는 각 포인트당 다중 수준의 특징을 학습하고, 특징 공간에서 다중 브랜치 컨볼루션 유닛을 통해 포인트 세트를 암시적으로 확장하는 것입니다. 확장된 특징은 이후 여러 개의 특징으로 나누어져, 이를 다시 업샘플링된 포인트 세트로 재구성합니다. 우리의 네트워크는 패치 단위로 적용되며, 결합 손실 함수를 사용하여 업샘플링된 포인트들이 근본적인 표면에 균일하게 분포하도록 유도합니다. 우리는 합성 데이터와 스캔 데이터를 사용하여 다양한 실험을 수행하여 본 방법론의 우수성을 일부 베이스라인 방법론들과 최적화 기반 방법론과 비교하여 입증하였습니다. 결과는 우리의 업샘플링된 포인트들이 더 나은 균일성을 보이며, 근본적인 표면에 더욱 가깝게 위치함을 보여줍니다.