초록
점 구름의 희소 표현을 바탕으로 깨끗하고 밀도 높은 점 구름을 생성하는 것을 목표로 하는 점 구름 업샘플러 설계는 컴퓨터 비전 분야에서 핵심적이면서도 도전적인 문제이다. 최근 여러 연구들은 딥 신경망을 통해 점에서 점으로의 매핑 함수를 설정함으로써 이 목표를 달성하고자 했다. 그러나 이러한 접근 방식은 표면 수준의 명시적 제약 조건이 부족하여 이상치 점(Outlier Points)을 생성할 가능성이 크다. 본 연구에서는 이러한 문제를 해결하기 위해, 이중 보간 함수와 회전 함수로 표현되는 기저 파라메트릭 표면을 신경망이 학습하도록 유도하는 새로운 표면 정규화 기법을 업샘플러 네트워크에 도입한다. 이를 통해 새로 생성된 점들이 기저 표면 위에 제약되도록 설계하였다. 이러한 설계는 업샘플링 레이어의 장점을 활용하는 두 가지 작업—점 구름 업샘플링 및 점 구름 완성(Point Cloud Completion)—에 적용되며, 서로 다른 두 가지 네트워크 아키텍처에 통합되었다. 두 작업에 대한 최신 기술 대비 실험 결과는 제안하는 방법의 효과성을 입증한다. 코드는 https://github.com/corecai163/PSCU 에 공개되어 있다.