다이나믹 플레인 컨볼루셔널 오큐파시티 네트워크

암시적 신경 표현을 활용한 학습 기반 3D 재구성 기술은 객체 수준을 넘어 더 복잡한 장면에서도 유망한 성과를 보여주고 있다. 본 논문에서는 3D 표면 재구성의 품질을 더욱 향상시키는 새로운 암시적 표현 기법인 동적 평면 컨볼루션 오커피언시 네트워크(Dynamic Plane Convolutional Occupancy Networks)를 제안한다. 입력으로 주어지는 노이즈가 포함된 포인트 클라우드는 각 포인트별 특징으로 인코딩되며, 이 특징들은 여러 개의 2차원 동적 평면에 투영된다. 이후 완전 연결 네트워크가 객체나 장면의 형태를 가장 잘 설명하는 평면 파라미터를 예측하도록 학습한다. 또한, 이동 불변성(translation equivariance)을 더욱 효과적으로 활용하기 위해 컨볼루션 신경망을 평면 특징 처리에 적용한다. 제안한 방법은 ShapeNet 데이터셋 및 실내 장면 데이터셋에서 방향이 지정되지 않은 포인트 클라우드로부터의 표면 재구성에서 뛰어난 성능을 보였다. 더불어, 학습된 동적 평면의 분포에 대한 흥미로운 관찰 결과도 제시한다.