Core Concepts
복잡한 장면에서 개별 인스턴스의 기하학적 구조를 고려하여 정확한 대응 관계를 추출함으로써 강력한 다중 인스턴스 포인트 클라우드 등록 성능을 달성할 수 있다.
Abstract
이 논문은 다중 인스턴스 포인트 클라우드 등록 문제를 다룹니다. 기존 방법들은 전체 장면 포인트 클라우드를 하나의 단위로 처리하여 개별 인스턴스의 특징을 고려하지 않았기 때문에 정확한 대응 관계 추출에 어려움이 있었습니다.
이를 해결하기 위해 저자들은 MIRETR이라는 방법을 제안했습니다. MIRETR은 두 단계로 구성됩니다:
코스 단계에서는 인스턴스 인식 기하 변환기 모듈을 통해 인스턴스 인식 슈퍼포인트 특징을 추출하고 인스턴스 마스크를 예측합니다. 이를 통해 개별 인스턴스의 기하학적 구조를 효과적으로 반영할 수 있습니다.
파인 단계에서는 추출된 슈퍼포인트 대응 관계를 바탕으로 인스턴스 후보를 생성하고, 인스턴스 마스크를 활용하여 인스턴스 단위의 정확한 대응 관계를 추출합니다. 마지막으로 효율적인 후보 선택 및 정제 알고리즘을 통해 최종 등록 결과를 얻습니다.
실험 결과, MIRETR은 기존 최신 방법들에 비해 복잡한 장면에서 더 정확한 등록 결과를 보여주었습니다. 특히 심각한 가림 현상이 있는 인스턴스들도 잘 등록할 수 있었습니다.
Stats
복잡한 장면에서도 인스턴스 인식 정보를 활용하여 더 정확한 대응 관계를 추출할 수 있다.
심각한 가림 현상이 있는 인스턴스들도 잘 등록할 수 있다.
Quotes
"복잡한 장면에서 개별 인스턴스의 기하학적 구조를 고려하여 정확한 대응 관계를 추출함으로써 강력한 다중 인스턴스 포인트 클라우드 등록 성능을 달성할 수 있다."
"MIRETR은 두 단계로 구성되며, 코스 단계에서는 인스턴스 인식 기하 변환기 모듈을 통해 인스턴스 인식 슈퍼포인트 특징을 추출하고 인스턴스 마스크를 예측한다."
"파인 단계에서는 추출된 슈퍼포인트 대응 관계를 바탕으로 인스턴스 후보를 생성하고, 인스턴스 마스크를 활용하여 인스턴스 단위의 정확한 대응 관계를 추출한다."