초록
의미론적 장면 완성(Semantic Scene Completion, SSC)은 장면 완성(Scene Completion, SC)과 의미론적 세그멘테이션으로 구성된다. 기존의 대부분의 방법들은 정규 3D 격자 공간에서 SSC를 수행하는데, 이 경우 3D CNN이 빈 복셀(Voxel)에 대해 불필요한 계산 비용을 발생시킨다. 본 연구에서는 포인트 클라우드 공간에서 SSC를 해결하기 위해 의미론적 포인트 완성 네트워크(Semantic Point Completion Network, SPCNet)를 제안한다. 구체적으로 SPCNet은 인코더-디코더 아키텍처를 채택하며, 관측된 포인트의 특징을 추출하는 관측 포인트 인코더(Observed Point Encoder)와 관측된 포인트의 특징을 음영된 포인트로 매핑하는 관측-음영 포인트 디코더(Observed to Occluded Point Decoder)로 구성된다. SPCNet을 기반으로, 질감 정보와 기하학적 정보를 결합하여 SSC 성능을 향상시키는 이미지-포인트 융합 의미론적 포인트 완성 네트워크(Image-point Fused Semantic Point Completion Network, IPFSPCNet)를 추가로 제안한다. 제안된 방법은 두 개의 공개 데이터셋에서 평가되었으며, 실험 결과는 본 방법이 포인트 클라우드 공간에서 SC 문제를 효과적으로 해결할 수 있음을 보여준다. 기존 최첨단 기법들과 비교하여, 본 방법은 SSC 작업에서 만족스러운 성능을 달성함을 확인하였다.