포인트 클라우드 완성 딥러닝 모델의 포인트 대응 관계 기반 평가 지표 및 손실 함수

국문 초록 (Abstract)

3차원 물체 형상은 라이다(LiDAR) 등의 기기로 스캔하여 포인트(point)들의 집합인 포인트 클라우드(point cloud)로 저장된다. 스캔 과정에서 기기의 물리적 한계 및 환경 영향으로 인해 일부 영역이 누락되기도 한다. 이러한 불완전한 포인트 클라우드를 입력으로 받아, 완전한 형태로 복원하는 것을 포인트 클라우드 완성 문제라고 한다. 이 문제는 자율주행 및 로보틱스 등 3차원 물체 인식 기능이 필요한 응용 분야에서 중요한 문제로 다루어진다.
이와 관련하여 딥러닝 방법론을 적용한 연구들이 진행되고 있다. 기존 포인트 클라우드 딥러닝 기반 완성 모델들은 손실 함수로 정답 포인트 클라우드와 복원 결과와의 유사도를 측정하는 Chamfer Distance (CD)를 사용한다. 이것은 두 개의 포인트 클라우드에서 각각의 포인트들이 반대 클라우드의 최근접 대응 포인트까지의 거리를 구한 뒤, 이를 양방향으로 평균하여 합산하여 유사도를 측정하는 방식이다. 그러나, CD의 최근접 대응 방식은 포인트들간 중복 대응을 허용하여, 유사도 측정에 한계를 가진다. 반면, 일대일 대응을 강제하는 다른 유사도 함수인 Earth Mover’s Distance (EMD)는 정확도 거리 비례 유사도를 측정할 수 있지만, 계산 복잡도가 높아 적용에 제한이 있다.
본 논문에서는 정답 포인트 클라우드와 복원 결과 간 포인트 분포 특성을 비교할 수 있는 정량 지표를 제안한다. 제안 지표를 활용한 새로운 손실 함수를 고안하여 복원 결과의 완성도를 높인다. 본 논문의 주요 기여는 다음과 같다. 첫째, 기존 CD 기반 평가의 한계를 분석한다. 중복 대응으로 인한 클러스터링 현상과 실제 분포 품질 간 불일치를 시각적으로 입증한다. 둘째, 포인트 분포 특성의 유사도를 표현하는 정량 지표를 제안한다. CD 산출 과정에서 포인트 간 대응 형태를 세 가지로 분류한다. 분류된 대응 관계의 빈도 비율로 지표를 도출하며, 기존 평가 방법이 포착하지 못하는 분포 특성을 정량화한다. 셋째, 제안 지표 기반 손실 함수를 설계한다. 해당 함수는 복원을 위해 새로 생성된 포인트가 누락 영역을 채우며, 동시에 정답 포인트 클라우드의 분포를 따르도록 유도한다. 제안한 함수와 지표는 다양한 포인트 클라우드 완성 모델들과 데이터셋(dataset)들에 적용하여 기존 평가지표의 성능 향상 뿐만 아니라 분포의 유사도 역시 개선됨을 확인하였다.

다국어 초록 (Multilingual Abstract)

Three-dimensional object shapes are commonly captured using sensors such as LiDAR and stored as point clouds, which are sets of discrete points. During the scanning process, partial observations frequently occur due to physical limitations of sensors and environmental factors, resulting in missing regions. The task of reconstructing a complete shape from such incomplete point clouds is referred to as point cloud completion, and it plays an important role in application domains that require 3D object understanding, including autonomous driving and robotics.
To address this problem, various deep learning-based point cloud completion methods have been proposed. Most existing approaches adopt Chamfer Distance (CD) as the loss function to measure the similarity between the reconstructed point cloud and the ground truth. CD computes the bidirectional average of nearest-neighbor distances between two point clouds, but its nearest-point matching scheme allows duplicate correspondences, which limits its ability to accurately reflect distribution similarity. In contrast, Earth Mover's Distance (EMD) enforces one-to-one correspondences and provides a more faithful distance-based similarity measure, but its high computational complexity restricts practical usage.
In this paper, a novel quantitative metric is proposed. It compares point distribution characteristics between reconstructed and ground-truth point clouds. Along with this metric, a novel loss function is also desigend to improve the reconstruction quality. The main contributions of this paper are as follows. First, the limitations of CD-based evaluation are analyzed and the discrepancy between clustering artifacts caused by duplicate correspondences and actual distribution quality is visualized. Second, a novel correspondence-based quantitative metric is proposed. It represents distribution similarity by categorizing point correspondences into three types during the CD computation process. The frequency ratios of these correspondence types capture distribution characteristics that conventional metrics fail to quantify. Third, a new form of loss function is designed. It is guided by the proposed metric, encouraging newly generated points to fill missing regions while following the distribution of the ground-truth point cloud. Extensive experiments involving multiple point cloud completion models and datasets demonstrate that the proposed loss and metric effectively improve completion quality along with enhanced distribution similarity.

목차 (Table of Contents)

• 국문초록 i
• 목 차 ii
• 표 목 차 iii
• 그림목차 iv
• 제 1장 서론 1
• 제 2장 관련 연구 6
• 2.1. 포인트 클라우드 완성을 위한 딥러닝 기반 모델들 6
• 2.1.1. 포인트 클라우드 데이터를 위한 딥러닝 모델 발전 과정 6
• 2.1.2. 포인트 클라우드 완성을 위한 딥러닝 모델 발전 과정 8
• 2.2. 포인트 클라우드 완성 손실 함수와 개선 연구 11
• 2.2.1. Chamfer Distance와 Earth's Mover Distance 11
• 2.2.2. 기존 손실 함수 개선 방법 16
• 제 3장 복원 성능 지표와 대응 비율을 고려한 손실 함수 18
• 3.1. CD 기반 손실 함수의 한계 18
• 3.2. 분포 유사도 정량적 지표 20
• 3.3. 균일 분포 유도 손실 함수 22
• 3.3.1. 누락 영역 강화 손실 22
• 3.3.2. 재분배 손실 24
• 3.3.3. 통합 손실 함수 25
• 제 4장 실험 26
• 4.1. 데이터셋 및 평가 지표 26
• 4.2. 실험 설정 29
• 4.3. 실험 결과 30
• 4.3.1. 기존 모델들과의 비교 실험 30
• 4.3.2. 기존 개선된 손실 함수들과 비교 실험 38
• 4.3.3. 구성 요소별 기여도 분석 41
• 4.3.4. 타 데이터셋과의 성능 비교 44
• 제 5장 결론 48
• 참고문헌 49
• Abstract 53