회전 불변 3D 이상 탐지를 위한 경량형 특징 추출 프레임워크

초록

본 논문은 포인트 클라우드의 회전·이동에 강인한 회전 불변 특징(RIF)을 학습하기 위해, 점 좌표 매핑(PCM)으로 절대 좌표를 상대 좌표계로 변환하고, 경량형 합성곱 변환 네트워크(CTF‑Net)를 이용해 메모리 뱅크용 특징을 추출한다. 또한 3D 데이터 증강(S3DA) 기반 사전학습을 도입해 일반화 능력을 강화하였다. Anomaly‑ShapeNet과 Real3D‑AD에서 각각 P‑AUROC 17.7%·1.6% 향상을 달성하였다.

상세 분석

본 연구는 3D 이상 탐지(AD)에서 가장 흔히 발생하는 회전·위치 변동 문제를 근본적으로 해결하려는 시도로, 두 가지 핵심 모듈을 제안한다. 첫 번째는 Point Coordinate Mapping(PCM)이다. PCM은 입력 포인트 클라우드의 무게중심을 계산한 뒤, 가장 먼 점(p_far1), 두 번째로 먼 점(p_far2), 그리고 가장 가까운 점(p_near)을 선택해 3개의 기저 벡터(u₁, u₂, u₃)를 만든다. 이때 선형 독립성을 확보하기 위해 거리 동점이 존재하면 해당 점들의 평균을 사용해 결정성을 보장한다. 이후 Gram‑Schmidt 정규화를 적용해 정규 직교 기저(e₁, e₂, e₃)를 얻고, 모든 점 pᵢ에 대해 pᵢ* = (pᵢ – c)