3D 인스턴스 세그멘테이션을 위한 계층적 집계

포인트 클라우드에서의 인스턴스 세그멘테이션은 3차원 환경 인식의 핵심 과제이다. 본 연구에서는 포인트와 포인트 집합 간의 공간적 관계를 최대한 활용하는 간결한 클러스터링 기반 프레임워크인 HAIS를 제안한다. 클러스터링 기반 방법은 과도한 세그멘테이션 또는 부족한 세그멘테이션을 유발할 수 있다는 점을 고려하여, 단계적으로 인스턴스 후보를 생성하는 계층적 집약 방식을 도입한다. 구체적으로, 포인트를 집합으로 먼저 군집화하는 포인트 집약과, 집합으로부터 완전한 인스턴스를 생성하는 집합 집약의 두 단계를 거친다. 완전한 3차원 인스턴스가 생성된 후에는 인스턴스 내 예측을 위한 서브넷을 활용하여 노이즈 포인트 제거 및 마스크 품질 점수 평가를 수행한다. HAIS는 빠른 처리 속도(프레임당 410ms)를 제공하며, 비최대 억제(non-maximum suppression, NMS) 단계가 필요하지 않다. 이는 ScanNet v2 벤치마크에서 1위를 기록하며, AP50 기준 최고 수준의 69.9% 성능을 달성하였으며, 기존 최고 성능(SOTA) 방법들에 비해 상당한 성능 향상을 보였다. 또한, S3DIS 데이터셋에서의 SOTA 성능은 본 방법의 우수한 일반화 능력을 입증한다. 코드는 https://github.com/hustvl/HAIS 에서 공개될 예정이다.