MaskGroup: 3차원 인스턴스 세그멘테이션을 위한 계층적 포인트 그룹화 및 마스킹

본 논문은 로봇공학 및 증강현실 등 다양한 실-world 응용 분야에서 활용되는 3D 인스턴스 세그멘테이션 문제를 연구한다. 3D 객체의 주변 환경은 매우 복잡하기 때문에, 서로 다른 객체들을 정확히 분리하는 것은 매우 어려운 과제이다. 이러한 도전적인 문제를 해결하기 위해, 본 논문에서는 3D 인스턴스를 그룹화하고 정밀화하는 새로운 프레임워크를 제안한다. 실제 구현에서는 먼저 각 점에 대해 오프셋 벡터를 학습하고, 이를 예측된 인스턴스 중심으로 이동시킨다. 이러한 점들을 보다 효과적으로 그룹화하기 위해, 중심으로 집적된 점들을 점진적으로 병합하는 계층적 포인트 그룹화(Hierarchical Point Grouping) 알고리즘을 제안한다. 모든 점은 초기에 작은 클러스터로 그룹화되며, 이후 점진적으로 또 다른 클러스터링 절차를 거쳐 더 큰 그룹으로 통합된다. 이러한 다중 스케일 그룹은 서로 다른 크기의 인스턴스를 예측하는 데 유리하게 활용된다. 또한, 이러한 그룹에 대한 이진 포인트 마스크를 생성하여 세그멘테이션 결과를 추가로 정제하기 위해 새로운 MaskScoreNet을 개발하였다. ScanNetV2 및 S3DIS 벤치마크에서 실시한 광범위한 실험을 통해 제안한 방법의 효과성을 입증하였다. 예를 들어, 본 방법은 ScanNetV2 테스트 세트에서 IoU 임계값 0.5 조건 하에 66.4%의 mAP를 달성하였으며, 이는 최신 기술 대비 1.9% 높은 성능이다.