확산 단위: 3D 포인트 클라우드 세그멘테이션을 위한 해석 가능한 엣지 강화 및 억제 학습

3D 포인트 클라우드는 연속된 표면의 이산 샘플로, 다양한 응용 분야에서 사용될 수 있습니다. 그러나 실제 연결 정보, 즉 엣지 정보가 부족하여 포인트 클라우드 인식이 어려워집니다. 최근의 엣지 인식 방법들은 네트워크 설계에 엣지 모델링을 통합하여 로컬 구조를 더 잘 설명하려고 합니다. 이러한 방법들이 엣지 정보를 통합하는 것이 유익하다는 것을 보여주지만, 엣지 정보가 어떻게 도움을 주는지는 여전히 불분명하여 사용자가 그 유용성을 분석하기 어렵습니다. 이 문제를 명확히 하기 위해 본 연구에서는 원칙적이고 해석 가능한 방식으로 엣지 정보를 처리하면서 상당한 개선을 제공하는 새로운 알고리즘인 확산 유닛(Diffusion Unit, DU)을 제안합니다. 첫째, 우리는 이론적으로 DU가 작업에 유익한 엣지 강화와 억제를 학습한다는 것을 보여줍니다. 둘째, 실험적으로 엣지 강화와 억제 행동을 관찰하고 검증합니다. 셋째, 경험적으로 이러한 행동이 성능 향상에 기여함을 입증합니다. 도전적인 벤치마크에서 수행된 광범위한 실험과 분석은 DU의 효과성을 확인하였습니다. 특히, 우리의 방법은 ShapeNet 파트를 이용한 객체 부분 세그멘테이션과 S3DIS를 이용한 장면 세그멘테이션에서 최신 기술 수준의 성능을 달성하였습니다. 우리의 소스 코드는 https://github.com/martianxiu/DiffusionUnit에서 제공됩니다.