점 클라우드 자기 감독 표현 학습을 위한 암시적 오토인코더

본 논문은 자기 지도 3D 표현 학습에서 암시적 표면 표현의 사용을 제안합니다. 가장 인기 있고 접근성이 높은 3D 표현 방식인 포인트 클라우드는 기본적으로 연속적인 3D 표면의 이산 샘플을 포함합니다. 이러한 이산화 과정은 3D 형태에 샘플링 변동성을 도입하여, 실제 3D 기하학에 대한 전이 가능한 지식을 개발하는 것이 어려워집니다. 표준 오토인코딩 패러다임에서는 인코더가 3D 기하학뿐만 아니라 3D 형태의 특정 이산 샘플링 정보까지 잠재 코드에 인코딩해야 하는 부담을 지고 있습니다. 이는 디코더가 재구성한 포인트 클라우드와 원래의 포인트 클라우드 사이에 완벽한 매핑이 이루어지지 않는 한, 재구성된 포인트 클라우드가 불완전하다고 간주되기 때문입니다. 본 논문은 샘플링 변동성 문제를 해결하기 위해 일반적으로 사용되는 포인트 클라우드 디코더를 암시적 디코더로 대체하는 간단하면서도 효과적인 방법인 암시적 오토인코더(Implicit AutoEncoder, IAE)를 소개합니다. 암시적 디코더는 이산 샘플의 불완전성과 독립적으로 3D 형태의 연속적인 표현을 재구성합니다. 광범위한 실험 결과, 제안된 IAE가 다양한 자기 지도 학습 벤치마크에서 최신 수준의 성능을 달성함을 보여줍니다.