메타-PU: 포인트 클라우드를 위한 임의 스케일 업샘플링 네트워크

점 클라우드 업샘플링은 3차원 재구성에서 메시 품질에 있어 핵심적인 역할을 한다. 최근 딥러닝 기술의 발전으로 인해 점 클라우드 업샘플링 분야에서 큰 성과가 이루어졌다. 그러나 기존의 방법들은 서로 다른 스케일 팩터에 대한 점 클라우드 업샘플링을 독립적인 작업으로 간주하기 때문에, 각각의 스케일 팩터에 맞춰 별도의 모델을 학습해야 하는 문제가 있다. 이는 실용적인 응용에서 저장 및 계산 측면에서 비효율적이며 비현실적인 문제를 야기한다. 이러한 한계를 해결하기 위해, 본 연구에서는 단일 모델을 통해 임의의 스케일 팩터에 대한 점 클라우드 업샘플링을 지원하는 새로운 방법인 'Meta-PU'를 제안한다. Meta-PU 방법에서는 잔차 그래프 컨볼루션(RGC) 블록으로 구성된 기본 네트워크 외에, RGC 블록의 가중치를 동적으로 조정할 수 있는 메타서브넷을 학습하며, 다양한 수의 점을 샘플링할 수 있도록 가장 멀리 떨어진 샘플링 블록을 도입한다. 이 두 블록의 조합을 통해 Meta-PU는 단일 모델만을 사용하여 임의의 스케일 팩터로 점 클라우드를 지속적으로 업샘플링할 수 있다. 또한 실험 결과에 따르면, 여러 스케일에서 동시에 학습하는 것이 서로 긍정적인 영향을 미친다. 따라서 Meta-PU는 특정 스케일 팩터에만 최적화된 기존 방법보다 더 뛰어난 성능을 발휘한다.