거리 있는 포인트 클라우드 정합을 위한 밀도 불변 특징

원거리 실외 LiDAR 포인트 클라우드의 등록은 공동 작업 자율 주행 차량의 3차원 시각 능력을 확장하는 데 핵심적이지만, 겹치는 영역이 작고 관측된 포인트 밀도 간에 극심한 차이가 존재함으로써 도전 과제가 된다. 본 논문에서는 원거리 실외 LiDAR 포인트 클라우드의 등록을 위해 밀도에 영향을 받지 않는 기하학적 특징을 추출하기 위한 그룹별 대조 학습(Group-wise Contrastive Learning, GCL) 기법을 제안한다. 이론적 분석과 실험을 통해, 대조 학습의 긍정 샘플(contrastive positives)은 서로 독립적이고 동일한 분포를 가져야 (i.i.d.) 밀도에 무관한 특징 추출기를 효과적으로 학습할 수 있음을 입증한다. 이 결론을 바탕으로, 동일한 공간 위치에 존재하는 여러 포인트 클라우드의 특징이 유사하도록 유도하는 간단하면서도 효과적인 학습 전략을 제안한다. 이 방법은 두 포인트 클라우드 쌍에 의해 발생하는 샘플링 편향을 자연스럽게 회피하며, i.i.d. 원칙을 충족시킨다. 결과적으로, 전체 컨볼루션형 특징 추출기가 최신 기술보다 더 강력하고 밀도에 무관한 성능을 발휘하여, KITTI 및 nuScenes 벤치마크에서 원거리 시나리오의 등록 재현율(Recall)을 각각 40.9%, 26.9% 향상시켰다. 코드는 https://github.com/liuQuan98/GCL 에서 공개되어 있다.