특징 없이 기반 모델과 편향 없는 벤치마크를 통한 3D 정합 방법의 일반화 해결

최근의 3차원 등록(3D registration) 방법은 대부분 학습 기반으로, 특징 공간에서 대응 관계를 찾아 매칭하거나, 주어진 포인트 클라우드 특징에서 등록 변환을 직접 추정하는 방식을 채택하고 있다. 따라서 이러한 특징 기반 방법은 학습 데이터와 상당히 다른 포인트 클라우드에 대해 일반화하는 데 어려움을 겪는다. 이 문제는 현재의 벤치마크 정의에 문제가 있어 깊이 있는 분석을 제공하지 못하고, 유사한 데이터에 편향된 평가를 초래하기 때문에 다소 부각되지 않고 있다. 이를 해결하기 위해, 주어진 포인트 클라우드 데이터셋을 기반으로 더 정보가 풍부한 3차원 등록 벤치마크를 생성하는 방법론을 제안한다. 이 방법론을 통해 FAUST 데이터셋을 기반으로 하여 여러 난이도 수준을 갖춘 새로운 FAUST-Partial (FP) 벤치마크를 구축하였다. FP 벤치마크는 기존 벤치마크의 한계인 데이터 부족 및 파라미터 범위의 변동성 부족 문제를 해결하며, 단일 등록 파라미터에 대한 3차원 등록 방법의 강점과 약점을 평가할 수 있도록 한다. 새로운 FP 벤치마크를 활용하여 현재 최고 수준의 방법들에 대한 철저한 분석을 수행한 결과, 기존 방법들이 심각하게 다른 샘플 외 데이터에 대해 여전히 일반화에 어려움을 겪고 있음을 관찰하였다. 이를 바탕으로, 두 개의 주어진 포인트 클라우드 간의 가중 교차상관관계(Weighted Cross-Correlation)를 기반으로 하는 간단한 특징 없는 전통적 3차원 등록 기반 방법을 제안한다. 제안한 방법은 현재의 벤치마크 데이터셋에서 강력한 성능을 보이며, 대부분의 딥러닝 방법을 상회한다. 본 연구의 소스 코드는 github.com/DavidBoja/exhaustive-grid-search에서 공개되어 있다.