GRNet: 밀도 높은 포인트 클라우드 보완을 위한 격자 잔차 네트워크

불완전한 3D 포인트 클라우드로부터 완전한 3D 포인트 클라우드를 추정하는 것은 여러 비전 및 로봇 공학 응용 분야에서 핵심적인 문제이다. 주류 방법(예: PCN 및 TopNet)은 다층 퍼셉트론(MLP)을 사용하여 포인트 클라우드를 직접 처리하지만, 이는 포인트 클라우드의 구조적 특성과 맥락 정보를 충분히 고려하지 못해 세부 정보 손실을 초래할 수 있다. 이 문제를 해결하기 위해 우리는 비정렬 포인트 클라우드를 정규화하기 위한 3D 격자(3D grid)를 중간 표현으로 도입한다. 이를 바탕으로 포인트 클라우드 보완을 위한 새로운 그리딩 잔차 네트워크(Gridding Residual Network, GRNet)를 제안한다. 특히, 구조 정보를 손실 없이 포인트 클라우드와 3D 격자 간에 변환할 수 있도록 두 가지 새로운 미분 가능한 레이어인 '그리딩(Gridding)'과 '그리딩 리버스(Gridding Reverse)'를 설계하였다. 또한 이웃 포인트들의 특징을 추출하면서 맥락 정보를 유지하는 미분 가능한 삼차 특징 샘플링 레이어(Cubic Feature Sampling layer)를 제안한다. 더불어 예측된 포인트 클라우드와 정답 포인트 클라우드의 3D 격자 간 L1 거리를 계산하는 데 사용할 수 있는 새로운 손실 함수인 '그리딩 손실(Gridding Loss)'을 도입하여 세부 구조 복원에 기여한다. 실험 결과, 제안하는 GRNet은 ShapeNet, Completion3D, KITTI 벤치마크에서 최첨단 기법들과 비교하여 우수한 성능을 보였다.