컨텍스트 기반 레인지‑뷰 투영으로 3D LiDAR 포인트 클라우드 처리 향상

초록

본 논문은 LiDAR 포인트 클라우드를 2D 레인지 이미지로 변환할 때 발생하는 다중‑점 → 단일‑픽셀 충돌(많은‑대‑하나 문제)을 해결하기 위해 두 가지 컨텍스트‑기반 선택 방식을 제안한다. ‘Centerness‑Aware Projection(CAP)’은 객체 인스턴스 중심으로부터의 거리를 이용해 중심부 점에 가중치를 높이고, ‘Class‑Weighted‑Aware Projection(CWAP)’은 사용자 정의 클래스 가중치로 특정 클래스의 점을 우선 선택한다. 두 방법 모두 학습 단계에만 적용되며, SemanticKITTI 데이터셋에서 CAP은 기존 깊이‑기반 선택 대비 mIoU를 최대 4.0%p 향상시켰고, CWAP은 목표 클래스 성능을 크게 높이면서 전체 성능 저하를 최소화한다.

상세 분석

본 연구는 레인지‑뷰 투영이 3D LiDAR 포인트 클라우드를 2D 이미지로 변환함으로써 2D CNN·Transformer 기반의 효율적인 처리를 가능하게 하는 장점을 살리면서, “many‑to‑one” 충돌로 인한 정보 손실을 최소화하고자 한다. 기존 방식은 각 픽셀에 가장 가까운(깊이가 최소인) 점만을 선택하는데, 이는 시야에 보이는 표면을 보존하지만 객체의 구조적·의미적 정보를 무시한다는 한계가 있다.

1. Centerness‑Aware Projection (CAP)
   • 인스턴스 중심 계산: 학습 데이터에 존재하는 각 객체 인스턴스에 대해 축에 정렬된 바운딩 박스의 중심(μ)을 구한다.
   • 중심성 점수: 3차원 가우시안 함수를 이용해 각 점 pᵢ와 중심 μ 사이의 거리 ‖pᵢ‑μ‖를 기반으로 점수 f(pᵢ)=exp(‑½‖pᵢ‑μ‖²) 를 산출하고, 이를