Mapper‑GIN: 경량 구조 그래프 추상화로 강인한 3D 포인트 클라우드 분류

초록

본 논문은 3D 포인트 클라우드의 잡음·변형 등 실제 환경에서 발생하는 손상에 강인한 분류기를 제안한다. Mapper 알고리즘으로 점군을 겹치는 영역으로 분할하고, 영역 간 겹침 관계를 그래프로 만든 뒤, Graph Isomorphism Network(GIN)으로 그래프를 학습한다. 0.5 M 파라미터만 사용해 ModelNet40‑C의 Noise·Transformation 부문에서 경쟁력 있는 정확도를 달성한다.

상세 분석

본 연구는 “구조적 추상화만으로도 잡음·변형에 강인한 3D 인식이 가능한가?”라는 질문에서 출발한다. 기존 3D 포인트 클라우드 분류는 PointNet, DGCNN, PCT 등 복잡한 백본을 확대하거나 데이터 증강·대항학습을 적용해 강인성을 확보하려 했지만, 파라미터 수와 연산량이 크게 늘어나는 한계가 있었다. 저자는 토폴로지 데이터 분석(TDA)의 대표 기법인 Mapper를 활용해 점군을 고차원에서 저차원 “렌즈”(PCA)로 투사하고, 겹치는 입방체 커버를 정의한 뒤, 각 커버 구간 안에서 DBSCAN 기반 밀도 군집화를 수행한다. 이 과정에서 얻어지는 클러스터는 그래프의 노드가 되고, 클러스터 간 겹침이 존재하면 엣지를 만든다. 결과 그래프는 원본 물체의 전역 연결 구조—예를 들어 가지, 루프, 구멍—를 압축적으로 표현한다.

핵심 설계 선택은 다음과 같다. 첫째, PCA 렌즈는 계산 비용이 낮고 전역적인 좌표축을 제공한다. 비록 회전 불변성이 완벽하지 않지만, 실험에 사용된 ModelNet40‑C의 변형(회전·비선형 왜곡)에서는 구조적 연결 관계가 크게 변하지 않아 충분히 안정적이다. 둘째, 커버 해상도와 겹침 비율을 고정(n_intervals=6, overlap=0.3)함으로써 영역 수를 제한하고, 과도한 세분화에 따른 노이즈 민감도를 억제한다. 셋째, DBSCAN은 밀도 기반 군집화를 통해 외부 아웃라이어를 자연스럽게 배제하고, 충격성 노이즈가 존재해도 핵심 영역은 유지된다.

노드 특성 추출 단계에서는 각 클러스터에 대해 중심·반경을 계산해 로컬 좌표계를 만든 뒤, 1×1 Conv‑MLP와 max‑pool으로 고정 차원의 노드 임베딩을 만든다. 여기서는 두 가지 변형을 제시한다. “Base”는 전역 좌표만 사용하고, “Full”은 전역 좌표와 로컬 정규화 좌표를 결합해 6차원 입력을 만든다. 이렇게 경량화된 포인트 인코더는 GIN에 전달되는 노드 특징을 제공한다.

GIN은 합계(∑) 집계와 MLP를 이용해 WL 테스트와 동등한 표현력을 갖는다. 저자는 4계층 GIN에 GraphNorm·ReLU를 적용하고, DropEdge·FeatureDropout을 0%로 설정해 학습 안정성을 확보한다. 최종 노드 특징은 전역 max‑pool을 통해 그래프 레벨 임베딩으로 압축되고, Linear 레이어로 클래스 로그잇을 예측한다.

실험에서는 ModelNet40‑C의 15가지 손상 유형 중 Noise와 Transformation 부문에서 특히 높은 정확도와 낮은 변동성을 보였다. 파라미터는 약 0.5 M으로, DGCNN(≈1.5 M)이나 PointTransformer(≈2 M)보다 현저히 적다. Ablation 연구에서 커버 해상도·겹침 비율, DBSCAN ε 파라미터, 로컬 정규화 여부 등을 변형했을 때, 구조적 그래프가 크게 변하지 않는 한 성능 저하가 미미함을 확인했다. 또한, 밀도 감소(Cutout)와 같은 연결 파괴 손상에서는 그래프 구조 자체가 변하기 때문에 정확도가 다소 감소하지만, 여전히 기존 방법보다 견고한 편이다.

이 논문의 주요 기여는 (1) Mapper 기반 영역 그래프를 3D 인식 파이프라인에 직접 적용한 최초 사례, (2) 경량화된 노드 인코더와 GIN을 결합해 파라미터 효율성을 극대화한 설계, (3) 전역 구조 정보가 잡음·변형에 대한 강인성을 제공한다는 실증적 증거이다. 한계점으로는 복잡한 형태(예: 얇은 와이어프레임)에서 영역 분할이 과도하게 단순화될 위험과, 회전 불변성을 완전히 보장하지 못한다는 점을 들 수 있다. 향후 연구에서는 회전 불변 PCA 대안, 다중 렌즈 조합, 그리고 동적 커버 조정 기법을 도입해 더욱 일반화된 구조 추상화를 모색할 수 있다.