Core Concepts
확산 기반 포인트 클라우드 생성 모델에 국부적 부드러움 제약을 도입하여 더욱 현실적이고 부드러운 포인트 클라우드를 생성할 수 있다.
Abstract
이 논문은 포인트 클라우드 생성을 위한 새로운 확산 기반 모델을 제안한다. 기존 확산 기반 모델은 포인트 클라우드의 기하학적 특성을 고려하지 않아 생성된 포인트 클라우드의 표면이 매끄럽지 않은 문제가 있었다. 이를 해결하기 위해 제안 모델은 국부적 부드러움 제약을 확산 프레임워크에 도입하였다. 실험 결과, 제안 모델은 기존 최신 모델들에 비해 더 현실적이고 부드러운 포인트 클라우드를 생성할 수 있음을 보였다.
구체적으로, 제안 모델은 다음과 같은 구조로 구성된다:
인코더 모듈: 입력 포인트 클라우드를 잠재 공간 표현 z로 인코딩
잠재 공간 확산 모듈: 잠재 공간 표현 z의 분포를 학습
디코더 확산 모듈: 잠재 공간 표현 z를 조건으로 하여 원본 포인트 클라우드를 복원
이때 디코더 확산 과정에 국부적 부드러움 제약을 추가하여 더욱 매끄러운 포인트 클라우드를 생성한다.
실험 결과, 제안 모델은 기존 최신 모델들에 비해 MMD, COV, 1-NNA 등의 지표에서 우수한 성능을 보였다. 또한 상대적 부드러움 지표에서도 기존 모델 대비 개선된 결과를 보여, 국부적 부드러움 제약이 효과적으로 작용했음을 확인할 수 있다.
Stats
포인트 클라우드의 부드러움은 그래프 라플라시안 행렬을 통해 정량화할 수 있다.
제안 모델의 상대적 부드러움 지표는 기존 모델 대비 크게 개선되었다.
비행기 데이터셋: 기존 모델 1715 → 제안 모델 37.52
의자 데이터셋: 기존 모델 1041.35 → 제안 모델 983.92
자동차 데이터셋: 기존 모델 203.02 → 제안 모델 177.90
Quotes
"확산 모델은 원본 분포를 잡음 분포로 변환하는 순방향 과정과 잡음 분포에서 원본 분포를 복원하는 역방향 과정으로 구성된다."
"제안 모델은 포인트 클라우드의 국부적 기하학적 특성을 고려하여 더욱 부드러운 표면을 생성할 수 있다."