초록
우리는 희소 합성곱과 포인트 친화성 예측을 기반으로 하는 3D 인스턴스 분할에 대한 새로운 접근 방식을 제안합니다. 이 접근 방식은 두 포인트가 동일한 인스턴스에 속할 가능성을 나타냅니다. 제안된 네트워크는 하위 다양체 희소 합성곱 [3]을 기반으로 하며, 복셀화된 포인트 클라우드를 처리하여 각 점유 복셀의 의미 점수와 다양한 스케일에서 인접 복셀 간의 친화성을 예측합니다. 단순하면서도 효과적인 클러스터링 알고리즘이 예측된 친화성과 메시 위상 구조를 바탕으로 포인트들을 인스턴스로 분할합니다. 각 인스턴스의 의미는 의미 예측에 의해 결정됩니다. 실험 결과, 우리의 방법이 널리 사용되는 ScanNet 벤치마크 [2]에서 최신 인스턴스 분할 방법들보다 크게 우수함을 보여주었습니다. 우리는 우리의 코드를 공개적으로 공유하며, 해당 링크는 https://github.com/art-programmer/MASC입니다.