스킵-트랜스포머를 활용한 포인트 클라우드 보완 및 생성을 위한 스노우플레이크 포인트 디컨볼루션

기존의 점군 보완 방법은 점군의 이산적 특성과 국소 영역 내 점들의 비구조적 예측 문제로 인해 미세한 국소 기하학적 세부 정보를 정확히 드러내는 데 어려움을 겪는다. 이 문제를 해결하기 위해, 점군의 생성을 눈송이처럼 점이 점진적으로 성장하는 과정으로 모델링하는 ‘눈송이형 점 역확산(Snowflake Point Deconvolution, SPD)’을 도입한 SnowflakeNet을 제안한다. SPD는 각 단계에서 부모 점을 분할함으로써 자식 점을 점진적으로 생성하는 방식으로 작동한다. 이 과정에서 국소 영역의 기하학적 세부 정보를 효과적으로 포착하기 위해, SPD 내부에 스킵-트랜스포머(Skip-Transformer)를 도입하여 점 분할 패턴을 학습한다. 스킵-트랜스포머는 주어진 SPD 레이어에서 이전 레이어에서 사용된 분할 패턴을 주의(attention) 메커니즘을 통해 요약하여 현재 레이어의 분할 전략을 생성한다. 이러한 방식으로 생성된 점군은 국소적으로 밀도가 높고 구조적인 특성을 갖추며, 3D 형태의 국소 패치에서의 구조적 특성을 정밀하게 반영할 수 있다. 이로 인해 매우 높은 수준의 기하학적 세부 정보를 예측할 수 있다. 또한 SPD는 보완 작업에 국한되지 않고 일반적인 연산으로서 다양한 생성 작업에 활용 가능하다는 점을 고려하여, 점군 오토인코딩, 점군 생성, 단일 이미지 재구성, 그리고 업샘플링 등 다양한 응용 사례를 탐구하였다. 실험 결과, 다양한 기준 평가 벤치마크에서 기존 최고 수준의 방법들을 초월하는 성능을 입증하였다.