PoinTr: 기하학 인지형 트랜스포머를 활용한 다양한 포인트 클라우드 보완

실제 응용 분야에서 캡처된 포인트 클라우드는 센서 해상도의 한계, 단일 시점, 그리고 가림 현상으로 인해 종종 불완전하다. 따라서 부분적인 포인트 클라우드로부터 완전한 포인트 클라우드를 복원하는 작업은 다양한 실용적 응용에서 필수적인 과제가 되었다. 본 논문에서는 포인트 클라우드 복원 문제를 세트에서 세트로의 변환 문제로 재정의하고, 포인트 클라우드 복원을 위해 트랜스포머 인코더-디코더 아키텍처를 채택한 새로운 모델인 PoinTr를 제안한다. 포인트 클라우드를 위치 임베딩을 갖춘 무순서 점 그룹의 집합으로 표현함으로써, 포인트 클라우드를 점 프록시의 시퀀스로 변환하고, 트랜스포머를 활용하여 포인트 클라우드 생성을 수행한다. 또한, 트랜스포머가 포인트 클라우드의 3차원 기하 구조에 대한 인도적 편향(Inductive Bias)을 더 효과적으로 활용할 수 있도록, 국소적 기하 관계를 명시적으로 모델링하는 기하 인지 블록(Geometry-aware Block)을 추가로 설계하였다. 트랜스포머의 도입을 통해 모델은 구조적 지식을 더 잘 학습하고, 세부 정보를 효과적으로 보존함으로써 포인트 클라우드 복원 성능을 향상시킬 수 있다. 더불어, 실제 환경을 더 잘 반영할 수 있도록 보다 다양한 불완전한 포인트 클라우드를 포함하는 두 가지 더 도전적인 벤치마크를 제안하여 향후 연구를 촉진하고자 하였다. 실험 결과, 제안한 방법은 새롭게 제안한 벤치마크와 기존 벤치마크 모두에서 최첨단 기법들을 크게 앞서는 성능을 보였다. 코드는 다음 주소에서 제공된다: https://github.com/yuxumin/PoinTr