AVS-Net: 적응형 복셀 크기 기반 포인트 샘플링을 이용한 3D 환경 이해

최근 포인트 클라우드 학습의 발전으로 인해 지능형 차량과 로봇이 3D 환경을 더 잘 이해할 수 있게 되었습니다. 그러나 대규모 3D 장면을 처리하는 것은 여전히 어려운 문제로, 효율적인 다운샘플링 방법이 포인트 클라우드 학습에서 중요한 역할을 합니다. 기존의 다운샘플링 방법들은 큰 계산 부담이 필요하거나 세부 기하 정보를 희생해야 하는 경우가 많습니다. 이에 본 논문에서는 높은 정확도와 효율성을 모두 달성하는 고급 샘플러를 제시합니다. 제안된 방법은 복셀 중심 샘플링을 기반으로 하되, 복셀 크기 결정 및 중요한 기하학적 신호 유지와 관련된 문제들을 효과적으로 해결합니다. 구체적으로, 우리는 포인트 기반 다운샘플링 비율을 참조하여 복셀 크기를 적응적으로 조정하는 복셀 적응 모듈(Voxel Adaptation Module)을 제안합니다. 이는 다양한 3D 객체나 장면을 이해하기 위한 샘플링 결과가 유리한 분포를 보이는 것을 보장합니다. 또한, 우리는 임의의 복셀 크기에 호환되는 네트워크를 소개하는데, 이 네트워크는 샘플링과 특징 추출을 수행하면서도 높은 효율성을 유지합니다. 제안된 접근 방식은 3D 객체 검출과 3D 의미 분할에서 시연되었습니다. Waymo와 ScanNet 등의 실외 및 실내 대규모 데이터셋에서 기존 최신 방법들과 비교하여 우리의 접근 방식은 유망한 효율성과 함께 더 나은 정확도를 달성하였습니다.