윈도우 정규화: 일관되지 않은 점 밀도를 통합함으로써 포인트 클라우드 이해 향상

3D 포인트 클라우드 이해를 위한 다운샘플링과 특징 추출은 필수적인 절차이다. 기존의 방법들은 포인트 클라우드 내부의 다양한 영역에서 불균일한 포인트 밀도로 인해 한계를 겪는다. 본 연구에서는 다운샘플링 단계의 한계를 분석하고, 사전 추출 그룹별 윈도우 정규화 모듈(Pre-abstraction Group-wise Window-Normalization Module)을 제안한다. 특히, 윈도우 정규화 기법을 활용하여 다양한 영역 간의 포인트 밀도를 통일한다. 더불어, 다양한 유형의 특징(텍스처 및 공간 정보 등)을 추출하기 위해 그룹별 전략을 도입한다. 또한, 국소적 특징과 전역적 특징의 균형을 맞추기 위해 사전 추출 모듈을 제안한다. 광범위한 실험을 통해 제안된 모듈이 여러 작업에서 우수한 성능을 보임을 확인하였다. S3DIS(영역 5)에서의 세그멘테이션 작업에서는 소형 객체 인식 능력이 향상되었으며, 경계의 정밀도도 기존 방법보다 뛰어나다. 소파와 기둥의 인식 정확도는 각각 69.2%에서 84.4%, 42.7%에서 48.7%로 향상되었으며, 벤치마크 지표는 mIoU/mAcc/OA 기준으로 71.7%/77.6%/91.9%에서 72.2%/78.2%/91.4%로 개선되었다. S3DIS에서의 6겹 교차 검증 정확도는 77.6%/85.8%/91.7%를 기록하였으며, 최고 성능을 보인 PointNeXt-XL 모델(74.9%/83.0%/90.3%)보다 mIoU에서 2.7% 높은 성능을 달성하여 최신 기술 수준(SOTA)을 확보하였다. 코드와 모델은 https://github.com/DBDXSS/Window-Normalization.git 에서 공개되어 있다.