PartNet: 세부적이고 계층적인 형태 분할을 위한 재귀적 부품 분해 네트워크

3D 형태 분할에 대한 딥 러닝 접근 방식은 일반적으로 다중 클래스 라벨링 문제로 공식화됩니다. 기존 모델들은 고정된 라벨 세트를 위해 훈련되므로 이는 그들의 유연성과 적응성을 크게 제한합니다. 우리는 상향식 재귀 분해(top-down recursive decomposition)를 선택하고, 재귀 신경망을 기반으로 3D 형태의 계층적 분할을 위한 첫 번째 딥 러닝 모델을 개발하였습니다. 점 구름(point cloud)으로 표현된 전체 형태에서 시작하여, 우리의 모델은 모든 계층 노드에서 가중치를 공유하는 재귀 이진 분해를 수행합니다. 각 노드에서는 노드 분류기(node classifier)가 해당 노드의 분해 유형(인접성 또는 대칭성)과 중단 기준을 결정하도록 훈련됩니다. 상위 노드에서 추출된 특징들은 재귀적으로 하위 노드로 전파됩니다. 따라서, 상위 수준에서의 의미 있는 분해들이 하위 수준의 분할을 제약하는 강력한 문맥적 단서를 제공합니다. 한편, 각 노드에서의 분할 정확도를 높이기 위해, 우리는 해당 부분에 대해 추출된 형태 특징(shape feature)으로 재귀적인 문맥 특징(recursive contextual feature)을 강화하였습니다.우리의 방법은 형태 복잡도에 따라 고정되지 않은 수의 부분으로 점 구름 형태를 분할하며, 강력한 일반성과 유연성을 보여줍니다. 이는 공개 벤치마크와 본 연구에서 제안된 새로운 미세 세분화 벤치마크 모두에서 미세 세분화(fine-grained segmentation)와 의미론적 세분화(semantic segmentation)에 있어 최신 성능을 달성하였습니다. 또한, 이미지-형태 복원(image-to-shape reconstruction) 과정에서 미세 부분 조정(fine-grained part refinements)에 대한 응용 가능성을 시연하였습니다.