특징 기반 그래프 학습을 통한 3차원 포인트 클라우드 잡음 제거

초록

본 논문은 단일 관측 신호와 각 노드에 부여된 특징 벡터를 이용해 마하라노비스 거리 행렬 M을 학습하고, 이를 기반으로 그래프 라플라시안 정규화(GLR)를 최소화하는 그래프 가중치를 자동으로 설계한다. 제안 알고리즘은 대각 원소는 근접 경사법(PG)으로, 비대각 원소는 블록 하강법으로 최적화하며, Gershgorin 원판 정리와 Schur 보완을 활용해 M의 양정정성을 보장한다. 최종적으로 학습된 특징 그래프를 3D 포인트 클라우드의 좌표와 법선에 적용해 잡음 제거를 수행하며, 기존 방법들을 크게 능가하는 성능을 입증한다.

상세 분석

이 연구는 “그래프 학습”이라는 전통적인 문제를 새로운 관점에서 재정의한다. 기존 통계 기반 방법은 다수의 신호 샘플을 전제하지만, 실제 이미지·점군 복원에서는 단일 혹은 극소수의 관측만이 존재한다는 현실적 제약이 있다. 저자는 이러한 상황을 극복하기 위해 각 노드에 사전 정의된 특징 벡터 fᵢ∈ℝᴷ를 활용한다. 특징 간 거리의 가중치를 마하라노비스 거리 d_M(fᵢ,fⱼ)= (fᵢ−fⱼ)ᵀM(fᵢ−fⱼ) 로 정의하고, 가중치 wᵢⱼ=exp(−d_M) 로 설정함으로써, 특징 공간에서의 유사도가 그래프 구조에 직접 반영되도록 설계한다.

핵심 최적화 목표는 단일 관측 신호 z∈ℝᴺ에 대해 그래프 라플라시안 정규화 zᵀL(M)z 를 최소화하는 것이다. 여기서 L(M)는 특징 기반 가중치 행렬 W(M) 로부터 구성된 라플라시안이다. M은 K×K 차원의 양정정 행렬이며, 차원이 N에 비해 현저히 작아 파라미터 추정이 안정적이다.

대각 원소 최적화 단계에서는 M의 양정성을 보장하기 위해 Gershgorin 원판 정리에서 유도된 선형 부등식 집합을 제약조건으로 도입한다. 이 제약 하에 근접 경사법(PG)을 적용해 목표 함수의 미분을 계산하고, 단계 크기와 투사 연산을 통해 대각 성분을 순차적으로 업데이트한다.

비대각 원소는 블록 하강법을 사용한다. 한 번에 M의 한 행·열을 선택해 해당 블록을 고정하고, Schur 보완이 양정성을 유지하도록 추가 제약을 부과한다. 이때도 PG를 적용해 블록 내 원소들을 최적화한다. Schur 보완 조건은 Haynsworth의 관성 가법성 정리를 기반으로 하며, 행렬 역연산을 회피하기 위해 벡터 노름 경계 기법을 도입해 계산 복잡도를 크게 낮춘다.

알고리즘 전체는 대규모 고차원 특징(예: 3D 좌표 + 법선)에도 전형적인 고유값 분해 없이 빠르게 수렴한다.

점군 잡음 제거 적용에서는 각 점을 중심으로 자기유사 패치를 구성하고, 패치 내 점들의 좌표와 법선을 특징 벡터로 사용한다. 초기 그래프는 k‑최근접 이웃 기반으로 구성한 뒤, 위에서 제시한 M 학습 절차를 통해 가중치를 재조정한다. 이후 IGMRF 기반 MAP 추정식에 GLR을 정규화 항으로 삽입해 점 위치를 업데이트하고, 그래프와 점 위치를 교대로 최적화한다. 실험에서는 다양한 잡음 수준과 데이터셋에서 기존 MLS, LOP, 비국소 및 기존 그래프 기반 방법들을 능가하는 PSNR·Chamfer 거리·시각적 품질을 달성한다.

이 논문의 주요 공헌은 (1) 단일 신호와 특징 벡터만으로 그래프 라플라시안을 최소화하는 새로운 학습 프레임워크, (2) Gershgorin 및 Schur 보완을 이용한 양정성 유지와 행렬 연산 최소화를 결합한 효율적인 블록 최적화 알고리즘, (3) 이러한 그래프를 3D 점군 잡음 제거에 성공적으로 적용해 최첨단 성능을 입증한 점이다.