SASO: 다중 스케일 의미 연관 및 주요 점 클러스터링 최적화를 통한 3D 의미-인스턴스 분할

우리는 공간 맥락에서 객체 간의 고유한 상관관계에 영감을 받아, 의미 분할과 인스턴스 분할 작업을 동시에 수행하는 새로운 3D 포인트 클라우드 분할 프레임워크인 SASO를 제안합니다. 의미 분할 작업에 대해서는 다중 스케일 의미 연관성(Multi-scale Semantic Association, MSA) 모듈을 제안하여 의미적 맥락 정보의 구성 효과를 탐구합니다. 인스턴스 분할 작업에 대해서는 이전 연구들이 추론 과정에서만 클러스터링을 활용한 것과 달리, 우리는 주요 포인트 클러스터링 최적화(Salient Point Clustering Optimization, SPCO) 모듈을 제안하여 훈련 과정에 클러스터링 절차를 도입하고, 구분하기 어려운 포인트에 네트워크가 집중하도록 유도합니다.또한 실내 장면의 고유 구조로 인해 범주 분포의 불균형 문제가 거의 고려되지 않지만, 이는 3D 장면 인식의 성능을 심각하게 제한합니다. 이러한 문제를 해결하기 위해, 우리는 훈련 데이터의 범주 분포를 균형 있게 만드는 적응형 워터 필링 샘플링(Water Filling Sampling, WFS) 알고리즘을 도입합니다. 광범위한 실험 결과가 보여주듯이, 우리의 방법은 기준 데이터셋에서 의미 분할과 인스턴스 분할 작업 모두에서 최신 방법들을 능가하는 것으로 입증되었습니다.