LCPFormer: Local Context Propagation을 활용한 효과적인 3D 포인트 클라우드 분석

트랜스포머는 주의 메커니즘과 장거리 의존성을 포착하는 능력을 바탕으로 순서가 없는 포인트 클라우드 데이터에 자연스러운 선택이 되고 있습니다. 그러나 일반 샘플링 아키텍처에서 분리된 지역 영역은 인스턴스의 구조적 정보를 손상시키며, 인접한 지역 영역 간의 고유한 관계는 충분히 탐구되지 않고 있습니다. 트랜스포머 기반 3D 포인트 클라우드 모델에서는 이러한 지역 구조적 정보가 매우 중요합니다. 따라서 본 논문에서는 이웃 지역 간의 메시지 전달을 활용하여 그 표현을 더욱 유익하고 차별화할 수 있는 새로운 모듈인 로컬 컨텍스트 프로파게이션(Local Context Propagation, LCP)을 제안합니다. 구체적으로, 통계적으로 빈번하게 나타나는 인접한 지역 영역의 중복 점들을 중개자로 사용하여, 이를 다른 지역 영역에서 재가중한 후 다음 레이어로 전달합니다. 두 트랜스포머 레이어 사이에 LCP 모듈을 삽입하면 네트워크 표현력에 상당한 개선 효과가 있습니다. 마지막으로, LCP 모듈을 탑재한 유연한 LCPFormer 아키텍처를 설계하였습니다. 제안된 방법은 다양한 작업에 적용 가능하며, 3D 형태 분류 및 밀도 예측 작업(예: 3D 객체 감지와 의미 세그멘테이션) 등 벤치마크에서 여러 트랜스포머 기반 방법론보다 우수한 성능을 보입니다. 코드는 재현성을 위해 공개될 예정입니다.