
초록
현재 최첨단의 일반화 가능한 은닉 신경형 모양 모델들은 컨볼루션의 유도 편향(inductive bias)에 의존하고 있으나, 이러한 편향에서 유도되는 성질이 포인트 클라우드로부터 3차원 재구성이라는 과제와 얼마나 호환되는지는 여전히 완전히 명확하지 않다. 본 연구에서는 이 맥락에서 일반화성에 대한 대안적인 접근법을 탐구한다. 우리는 모델 내재적 편향(즉, 지역 특징을 인코딩하는 데 MLP를 사용하는 것과 컨볼루션을 사용하는 것의 차이)을 완화하고, 대신 재구성 과제와 관련된 보조 정규화(예: 노이즈 제거)를 통해 가설 공간을 제약한다. 그 결과, 포인트 클라우드로부터의 로컬 조건부 은닉 형태 재구성에 있어 처음으로 오직 MLP만을 사용하는 네트워크가 도출되었으며, 이는 빠른 전방 전달 추론(fast feed forward inference)이 가능하다. 포인트 클라우드에서 유래한 특징과 노이즈 제거 오프셋은 오직 MLP로 구성된 네트워크에서 단일 전방 전달 단계 내에서 예측된다. 디코더는 재구성된 상대적 위치 인코딩을 기반으로 포인트 클라우드의 순서에 관계없이 근처 특징을 풀링하여 공간 내 임의의 쿼리에 대해 점유 확률을 예측한다. 제안한 모델은 모델 파라미터 수를 반으로 줄이면서도 기존의 최첨단 컨볼루션 기반 방법을 능가하는 성능을 달성하였다.