PIDS: 3D 포인트 클라우드를 위한 관절점 상호작용-차원 탐색

점의 상호작용과 차원은 계층적 3D 모델을 위한 점 연산자 설계에서 두 가지 중요한 축입니다. 그러나 이 두 축은 이질적이며 완전히 탐구하기 어렵습니다. 기존 연구들은 단일 축 하에서 점 연산자를 제작하고 이를 3D 모델의 모든 부분에 재사용합니다. 이는 3D 포인트 클라우드의 다양한 기하학적/밀도 특성을 활용하여 점 상호작용과 차원을 더 잘 결합할 수 있는 기회를 간과하고 있습니다. 본 연구에서는 포인트 클라우드 데이터의 의미 분할을 위해 점 상호작용과 점 차원을 공동으로 탐색하는 새로운 패러다임인 PIDS(Point Interaction and Dimension Search)를 제안합니다. 우리는 다양한 점 상호작용과 점 차원을 고려하도록 큰 검색 공간을 설정하였습니다. 이는 다양한 기하학적/밀도 고려사항을 가진 점 연산자를 지원합니다. 이질적인 검색 구성요소로 확대된 검색 공간은 후보 모델의 순위를 더 잘 매기도록 요구합니다. 이를 달성하기 위해, 예측기 기반 신경망 구조 검색(NAS, Neural Architecture Search)을 활용하여 검색 공간 탐색을 개선하였으며, 이질적인 검색 구성요소에 그들의 사전 정보(priors)를 바탕으로 고유한 인코딩을 할당하여 예측 품질을 향상시켰습니다. 우리는 PIDS로 제작된 네트워크를 두 가지 의미 분할 벤치마크에서 철저히 평가하였으며, 최신 3D 모델 대비 SemanticKITTI와 S3DIS에서 약 1%의 mIOU(mean Intersection over Union) 개선 효과를 보였습니다.