초록
최근 3D 스캐너 기술의 발전에 따라 포인트 클라우드를 활용한 연구가 증가하고 있습니다. 이러한 추세에 따라 고품질의 포인트 클라우드에 대한 수요가 증가하고 있지만, 여전히 고품질의 포인트 클라우드를 획득하는 데 따른 비용이 높은 문제가 남아 있습니다. 따라서 최근 딥러닝의 눈부신 발전으로, 저품질의 포인트 클라우드에서 고품질의 포인트 클라우드를 생성하기 위한 딥러닝을 활용한 포인트 클라우드 업샘플링 연구가 주목받는 분야 중 하나입니다. 본 논문에서는 Point cloud Up-sampling via Multi-scale Features Attention (PU-MFA)라는 새로운 포인트 클라우드 업샘플링 방법을 제안합니다. 이전 연구들에서 다중 스케일 특징이나 어텐션 메커니즘을 사용하여 좋은 성능을 보고한 것을 바탕으로, PU-MFA는 U-Net 구조를 통해 두 가지를 결합합니다. 또한, PU-MFA는 다중 스케일 특징을 적응적으로 사용하여 전역 특징을 효과적으로 개선합니다. PU-GAN 데이터셋(합성 포인트 클라우드 데이터셋)과 KITTI 데이터셋(실제 스캔된 포인트 클라우드 데이터셋)을 이용한 다양한 실험을 통해 PU-MFA의 성능이 다른 최신 방법들과 비교되었습니다. 다양한 실험 결과에서 PU-MFA는 양적 및 질적 평가에서 다른 최신 방법들보다 우수한 성능을 보여주었으며, 제안된 방법의 유효성을 입증하였습니다. 또한, PU-MFA의 어텐션 맵도 시각화되어 다중 스케일 특징의 효과를 보여주었습니다.