점군 증강을 위한 가중 국소 변환

3D 비전 분야에서 포인트 클라우드의 활용은 매우 광범위하지만, 딥 신경망 학습을 위한 데이터는 여전히 제한적이다. 데이터 증강은 데이터 부족을 보완하기 위한 표준적인 접근 방식이지만, 포인트 클라우드 분야에서는 아직 상대적으로 덜 탐구된 영역이다. 본 논문에서는 여러 앵커 포인트를 중심으로 국소적으로 가중된 변환을 통해 부드럽게 변화하는 비탄성 변형을 생성하는 간단하면서도 효과적인 증강 방법인 PointWOLF을 제안한다. 이 방법은 다양한 실감적인 증강을 가능하게 하는 부드러운 변형을 생성한다. 더불어 증강의 최적 하이퍼파라미터를 수동으로 탐색하는 노력 최소화를 위해, 원하는 난이도의 증강 샘플을 생성하고 목표 신뢰도 점수를 달성할 수 있도록 하는 AugTune을 제안한다. 실험 결과, 제안한 프레임워크는 형태 분류 및 파트 세그멘테이션 작업 모두에서 일관되게 성능 향상을 보였다. 특히 PointNet++과 결합할 경우, 실제 세계 데이터셋인 ScanObjectNN에서 형태 분류 과제에서 최신 기술 수준의 89.7% 정확도를 달성하였다.