3D 포인트 클라우드를 위한 엔드투엔드 학습 로컬 다중뷰 기술자

본 연구에서는 3차원 포인트 클라우드를 위한 로컬 다중뷰 특징량을 엔드투엔드로 학습하는 프레임워크를 제안한다. 기존 연구들은 사전 처리 단계에서 수작업으로 설계된 시점(viewpoint)을 사용하여 다중뷰 표현을 채택하지만, 이는 후속 특징량 학습 단계와 분리된 방식이다. 본 연구의 프레임워크는 미분 가능한 렌더러(differentiable renderer)를 활용하여 다중뷰 렌더링을 신경망 내부에 통합함으로써, 시점을 특징량 학습 과정에서 최적화 가능한 파라미터로 취급할 수 있도록 하였다. 이를 통해 관심 점(attention points)의 더 정보적인 로컬 컨텍스트를 효과적으로 포착할 수 있다. 구분력 있는 특징량을 얻기 위해, 다중 뷰 간의 컨볼루션 특징을 주의 깊게 융합할 수 있도록 소프트뷰 풀링(soft-view pooling) 모듈을 설계하였다. 기존 3차원 정합(benchmark) 데이터셋에 대한 광범위한 실험 결과를 통해, 제안하는 방법이 기존의 로컬 특징량들보다 정량적·정성적으로 모두 우수함을 입증하였다.