초록
임플리시트 신경망은 점군(point clouds)에서 표면 재구성에 성공적으로 활용되어 왔다. 그러나 이러한 방법들은 전체 객체나 장면의 이소표면 함수를 단일 잠재 벡터(latent vector)에 인코딩하기 때문에 확장성 문제에 직면해 있다. 이 한계를 극복하기 위해 일부 접근법은 거친 정규 3D 격자나 3D 패치 위에서 잠재 벡터를 추정하고, 이를 보간하여 점유 쿼리(occupancy query)에 응답한다. 그러나 이러한 방식은 입력 점들이 객체 표면에서 샘플링된 것과의 직접적인 연결을 상실하게 되며, 공간 전체에 균일하게 정보를 부여하므로 표면 근처와 같은 중요한 영역에 집중하지 못한다. 게다가 고정된 패치 크기에 의존할 경우, 이산화(discretization) 조정이 필요할 수 있다. 이러한 문제를 해결하기 위해 본 연구에서는 점군 컨볼루션(point cloud convolutions)을 사용하여 각 입력 점에서 잠재 벡터를 계산하고, 추정된 가중치를 활용해 근접 이웃에 대한 학습 기반 보간을 수행한다. 객체 및 장면 데이터셋에서 수행한 실험 결과, 제안하는 방법은 대부분의 전통적 평가 지표에서 기존 방법들을 크게 상회하며, 더 세밀한 세부 정보를 생성하고 얇은 부피 영역을 더 잘 재구성함을 입증하였다. 코드는 https://github.com/valeoai/POCO 에서 공개되어 있다.