적응형 가우시안 푸리에 위치 인코딩을 활용한 비파라미터 3D 포인트 클라우드 네트워크

초록

NPNet은 학습 파라미터 없이 순수하게 기하학 연산(최원점 샘플링, k‑NN, 풀링)과 적응형 가우시안‑푸리에 위치 인코딩만으로 3D 포인트 클라우드 분류와 파트 세그멘테이션을 수행한다. 입력 형태에 따라 대역폭과 가우시안‑코사인 혼합 비율을 자동 조정해 스케일·밀도 변화에 강건하며, 세그멘테이션에서는 고정 주파수 푸리에 피처를 추가해 전역 컨텍스트를 보강한다. ModelNet40, ModelNet‑R, ScanObjectNN, ShapeNetPart 등에서 비파라미터 기존 방법들을 능가하고, 특히 few‑shot 설정에서 높은 정확도를 기록한다.

상세 분석

NPNet의 핵심은 “적응형 가우시안‑푸리에 위치 인코딩”이다. 입력 포인트 집합 X∈ℝ^{N×3}에 대해 각 축의 표준편차를 평균한 σ_g를 구하고, 이를 기반으로 전체 대역폭 σ_a=σ_0(1+σ_g)와 혼합 계수 λ=σ(sigmoid((σ_g−τ)·κ))를 정의한다. 이렇게 얻은 σ_a와 λ는 고정된 앵커 포인트 {v_m}에 대해 RBF(가우시안)와 코사인 함수를 각각 계산한 뒤, λ·RBF+(1−λ)·Cosine 형태로 결합한다. 즉, 포인트가 밀집된 영역에서는 작은 σ_a와 높은 λ로 가우시안 성분이 강조돼 미세 구조를 포착하고, 희소 영역에서는 코사인 성분이 주도해 전역적인 주기성을 유지한다.

세그멘테이션을 위해 추가된 고정‑주파수 푸리에 채널은 ω_j=α_j/L (j=1…L) 로 정의된 여러 주파수에 대해 sin·cos 변환을 수행한다. 이 채널은 전역적인 형태 정보를 제공해 파트 경계와 같은 큰 스케일 패턴을 보강한다. 두 채널을 concat한 하이브리드 피처 H_pos는 각 k‑NN 이웃 내에서 (H_N+H_pos)⊙H_pos 형태로 모듈레이션되어, 위치 인코딩이 직접 피처에 곱해지는 형태로 지역 정보를 강화한다.

네트워크 구조는 완전 비파라미터이며, T 단계의 인코더가 FPS로 중심점을 추출하고, k‑NN으로 지역을 구성한 뒤, 위에서 설명한 모듈레이션과 평균·최대 풀링을 반복한다. 각 단계의 풀링 결과는 max와 mean을 concat해 전역 디스크립터 F_enc를 만든다. 분류는 이 디스크립터와 학습 단계에서 저장한 모든 트레이닝 샘플 디스크립터 간 코사인 유사도를 softmax(γ·s) 로 가중치화해 라벨을 예측한다. 세그멘테이션은 각 트레이닝 샘플의 파트별 평균 피처를 프로토타입으로 저장하고, 테스트 포인트 피처와의 유사도로 파트 라벨을 할당한다.

실험 결과, ModelNet40에서 85.45 % (비파라미터 기준 최고), ModelNet‑R에서 85.65 %를 달성했으며, ScanObjectNN의 OBJ‑BG/OBJ‑ONLY에서 각각 86.1 %로 기존 비파라미터 모델을 앞섰다. 특히 few‑shot 5‑way 10‑shot/20‑shot에서는 92.0 %/93.2 %의 평균 정확도를 기록, 파라미터 기반 모델에 근접했다. ShapeNetPart 파트 세그멘테이션에서는 73.56 % mIoU를 얻어, 고정‑주파수 푸리에 피처가 전역 컨텍스트 보강에 기여함을 확인했다.

효율성 측면에서 NPNet은 파라미터가 전혀 없으며, 메모리 사용량은 99 MB (ModelNet40)256 MB (ShapeNetPart), 추론 시간은 3.9 ms5.6 ms 수준으로 기존 비파라미터 모델보다 빠르고 가볍다. 은닉 디스크립터 차원 d와 이웃 수 k가 주요 비용 요인이며, 필요 시 FP16 저장이나 프로토타입 클러스터링으로 메모리를 추가 절감할 수 있다. 전체 파이프라인은 한 번의 트레이닝 셋 인코딩으로 메모리 뱅크를 구축하고, 이후에는 유사도 매칭만 수행하므로 실시간 로봇·자동차 시스템에 적합한 특성을 가진다.