SCPNet: 포인트 클라우드 상의 의미론적 장면 완성

세밀한 장면 완성(Semantic Scene Completion, SSC)을 위한 딥 모델 훈련은 입력 데이터가 희소하고 불완전하며, 다양한 크기의 객체가 다수 존재하고, 이동 객체에 대한 레이블 노이즈가 내재되어 있어 도전적인 과제이다. 위의 문제들을 해결하기 위해 다음과 같은 세 가지 솔루션을 제안한다. 1) 완성 서브넷의 재설계: 다양한 스케일의 특징을 효율적으로 통합할 수 있도록 여러 개의 다중경로 블록(Multi-Path Blocks, MPBs)으로 구성된 새로운 완성 서브넷을 설계하였으며, 손실이 발생하는 다운샘플링 연산 없이도 효과적인 특징 추출이 가능하다. 2) 다프레임 모델로부터 풍부한 지식을 증류하기: 다프레임 교사 모델에서 도출된 밀집형, 관계 기반의 의미 정보를 단일 프레임 학습자 모델로 전이할 수 있도록, 새로운 지식 증류 목적 함수인 밀집-희소 지식 증류(Dense-to-Sparse Knowledge Distillation, DSKD)를 제안하였다. 이는 단일 프레임 모델의 표현 학습 능력을 크게 향상시킨다. 3) 완성 레이블 보정: 기존의 패노픽 세그멘테이션 레이블을 활용하여 이동 객체의 흔적을 완성 레이블에서 제거하는 간단하면서도 효과적인 레이블 보정 전략을 제안하였다. 이는 특히 이동 객체에 대한 성능 향상에 크게 기여한다. 제안한 SCPNet은 SemanticKITTI와 SemanticPOSS 두 가지 공개 SSC 벤치마크에서 광범위한 실험을 수행하였으며, SemanticKITTI 세밀한 장면 완성 챌린지에서 1위를 차지하며, 경쟁 모델인 S3CNet보다 7.2 mIoU의 성능 향상을 달성하였다. 또한 SemanticPOSS 데이터셋에서도 기존 완성 알고리즘들을 모두 상회하는 성능을 보였다. 더불어, SemanticKITTI 세그멘테이션 과제에서도 경쟁적인 성능을 기록하며, 장면 완성 과정에서 학습된 지식이 세그멘테이션 작업에 유익하다는 점을 입증하였다.