OMNet: 부분에서 부분으로의 포인트 클라우드 등록을 위한 겹치는 마스크 학습

포인트 클라우드 등록은 다양한 계산 분야에서 핵심적인 과제이다. 기존의 대응 매칭 기반 방법은 포인트 단위의 희소 특징 매칭을 기반으로 3차원 강체 변환을 적합시키기 위해 입력 데이터가 독특한 기하 구조를 가져야 하는 제약을 갖는다. 그러나 변환 정확도는 추출된 특징의 품질에 크게 의존하며, 부분적 데이터나 노이즈가 존재할 경우 특징 추출 과정에서 오류가 발생하기 쉬운 문제가 있다. 또한, 겹치는 영역의 전체 기하학적 지식을 효과적으로 활용하지 못하는 한계가 있다. 반면, 기존의 전역 특징 기반 접근법은 전체 포인트 클라우드를 활용할 수는 있으나, 전역 특징을 집계할 때 겹치지 않는 포인트들이 부정적인 영향을 미친다는 점을 간과한다. 본 논문에서는 부분-부분 포인트 클라우드 등록을 위한 전역 특징 기반 반복 네트워크인 OMNet을 제안한다. 우리는 겹치는 영역을 식별하기 위해 겹침 마스크(overlapping masks)를 학습함으로써, 겹치지 않는 영역을 제거하고, 동일한 형태의 등록 문제로 변환한다. 더불어, 기존 방법에서는 각 객체에 대해 CAD 모델에서 단 한 번의 샘플링만 수행하여 원본과 기준 포인트 클라우드가 동일하게 되는 구조였으나, 본 연구에서는 CAD 모델을 원본과 기준에 각각 두 번 샘플링하는 더 실용적인 데이터 생성 방식을 제안함으로써 기존에 흔히 발생하던 과적합 문제를 피한다. 실험 결과, 제안한 방법은 전통적 및 딥러닝 기반 방법들과 비교해 최고 성능을 달성함을 보여준다. 코드는 https://github.com/megvii-research/OMNet 에서 공개되어 있다.