DensePoint: 효율적인 포인트 클라우드 처리를 위한 밀집된 컨텍스트 표현 학습

점군 처리는 불규칙한 점들이 형성하는 다양한 형태가 종종 구분되기 어려운 점에서 매우 도전적인 과제이다. 이러한 미묘한 형태를 정확히 이해하기 위해서는 충분한 맥락적 의미 정보가 필요하지만, 현재까지 이를 전념하는 연구는 드물다. 본 연구에서는 점군 처리를 위한 밀집된 맥락적 표현을 학습할 수 있는 일반적인 아키텍처인 DensePoint를 제안한다. 기술적으로, 점의 순열 불변성(permutation invariance)을 보장하면서도 일반화된 컨볼루션 연산자를 도입함으로써, 정규 격자 기반 CNN을 불규칙한 점 구조로 확장하였다. 이를 통해 국소 패턴에 대한 효율적인 유도 학습(inductive learning)이 가능해졌다. 아키텍처적으로는 밀집 연결(dense connection) 방식에서 영감을 받아, 깊이 있는 계층 구조 내에서 다수의 레벨과 다중 스케일의 의미 정보를 반복적으로 집계하였다. 그 결과, DensePoint는 자연스럽고 유기적인 방식으로 밀집된 맥락 정보와 풍부한 의미 정보를 획득할 수 있게 되었으며, 이는 매우 높은 효율성을 보여준다. 네 가지 주요 작업에 걸쳐 도전적인 벤치마크에서 실시한 광범위한 실험과 철저한 모델 분석을 통해, DensePoint가 현재까지의 최고 성능(state-of-the-art)을 달성함을 입증하였다.