점 클라우드 보완을 위한 기하학적 변환 학습

포인트 클라우드 보완은 부분적으로 제공된 포인트 클라우드에서 누락된 형태를 추정하는 것을 목표로 한다. 기존의 인코더-디코더 기반 생성 모델은 형태 사전 분포로부터 학습된 정보를 바탕으로 완전한 포인트 클라우드를 재구성하지만, 이 과정에서 잠재 공간 임베딩의 정보 손실로 인해 기하학적 세부 정보(예: 날카로운 구조나 매끄럽지 않은 표면 구조)가 왜곡되는 문제가 발생할 수 있다. 이러한 문제를 해결하기 위해 본 연구는 포인트 클라우드 보완을 기하학적 변환 문제로 재정의하고, 간단하면서도 효과적인 기하학적 변환 네트워크(GTNet)를 제안한다. 이 네트워크는 일반적인 3차원 객체에 존재하는 반복적인 기하학적 구조를 활용하여 완전한 형태를 복원한다. GTNet는 기하학적 패치 네트워크, 구조 변환 네트워크, 세부 사항 보정 네트워크의 세 가지 하위 네트워크로 구성된다. 구체적으로, 기하학적 패치 네트워크는 누락된 영역과 관련되거나 유사한 반복적인 기하학적 구조를 반복적으로 탐지한다. 이후 구조 변환 네트워크는 이러한 탐지된 기하학적 구조를 기반으로 대칭, 회전, 이동, 균일한 스케일링과 같은 공간 변환을 학습하여 해당 누락 영역을 보완한다. 마지막으로, 세부 사항 보정 네트워크는 전역 최적화를 수행하여 자연스럽지 않은 구조를 제거한다. 광범위한 실험 결과, 제안된 방법은 Shape-Net55-34, MVP, PCN, KITTI 데이터셋에서 기존 최고 성능 기법들을 상회함을 입증하였다. 모델 및 코드는 https://github.com/ivislabhit/GTNet 에 공개될 예정이다.