포인트 클라우드에서 3D 인스턴스 세그멘테이션을 위한 학습 객체 경계 상자

우리는 3D 포인트 클라우드에서 인스턴스 분할을 위한 새로운, 개념적으로 간단하고 일반적인 프레임워크를 제안합니다. 우리의 방법은 3D-BoNet이라고 하며, 포인트별 다층 퍼셉트론(MLP)의 간단한 설계 철학을 따릅니다. 이 프레임워크는 포인트 클라우드 내 모든 인스턴스에 대한 3D 바운딩 박스를 직접 회귀하며, 동시에 각 인스턴스에 대한 포인트 레벨 마스크를 예측합니다. 이는 백본 네트워크 다음에 1) 바운딩 박스 회귀와 2) 포인트 마스크 예측을 위한 두 개의 병렬 네트워크 분기를 포함합니다. 3D-BoNet은 단일 단계, 앵커 없음, 그리고 엔드 투 엔드로 학습 가능합니다. 또한, 기존 접근 방식과 달리 비최대 억제, 특성 샘플링, 클러스터링 또는 투표 등의 후처리 단계가 필요하지 않아 계산적으로 매우 효율적입니다. 광범위한 실험 결과는 우리의 접근 방식이 ScanNet 및 S3DIS 데이터셋에서 기존 연구를 능가하면서도 대략 10배 더 계산적으로 효율적임을 보여줍니다. 철저한 아블레이션 연구는 우리 설계의 효과성을 입증합니다.