PointASNL: 적응형 샘플링을 활용한 비국소 신경망을 이용한 강건한 포인트 클라우드 처리

3D 센서에서의 측정 또는 재구성 알고리즘을 통해 획득된 원시 포인트 클라우드 데이터는 불가피하게 이상치나 노이즈를 포함하고 있다. 본 논문에서는 이러한 노이즈가 있는 포인트 클라우드를 효과적으로 처리할 수 있는 새로운 엔드 투 엔드 네트워크인 PointASNL을 제안한다. 본 연구의 핵심 구성 요소는 적응형 샘플링(Adaptive Sampling, AS) 모듈이다. 이 모듈은 먼저 가장 멀리 떨어진 점 샘플링(Farthest Point Sampling, FPS)을 통해 초기 샘플링된 점 주변의 이웃들을 재가중하고, 이후 전체 포인트 클라우드에 걸쳐 샘플링된 점들을 적응적으로 조정한다. AS 모듈은 포인트 클라우드의 특징 학습에 기여할 뿐만 아니라, 이상치에 의해 발생하는 편향 효과를 완화하는 데에도 효과적이다. 또한, 샘플링된 점의 근접 및 장거리 종속성(neighbor and long-range dependencies)을 보다 효과적으로 포착하기 위해, 비국소 연산(nonlocal operation)을 영감으로 삼아 국소-비국소(Local-Nonlocal, L-NL) 모듈을 제안한다. 이러한 L-NL 모듈은 노이즈에 대해 학습 과정이 민감하지 않도록 해준다. 광범위한 실험을 통해, 합성 데이터, 실내 데이터, 그리고 노이즈가 있는 실외 데이터를 포함한 다양한 환경에서 본 방법의 강건성과 우수성을 입증하였다. 특히, PointASNL은 모든 데이터셋에서 분류 및 세그멘테이션 작업에서 최첨단의 강건한 성능을 달성하였으며, 실제 외부 환경 데이터셋인 SemanticKITTI(노이즈가 포함된 경우)에서 기존 방법들에 비해 뚜렷한 성능 향상을 보였다. 본 연구의 코드는 https://github.com/yanx27/PointASNL를 통해 공개된다.