비록 포인트 클라우드 분할이 3차원 이해에서 핵심적인 역할을 하지만, 이 작업을 위해 대규모 장면을 완전하게 주석(annotating)하는 것은 비용이 많이 들고 시간이 많이 소요될 수 있다. 이러한 문제를 해결하기 위해 본 연구는 약지도(weakly-supervised) 기반 포인트 클라우드 의미론적 분할을 위한 새로운 종단 간(end-to-end) 학습 가능 트랜스포머 네트워크인 Point Central Transformer(PointCT)를 제안한다. 기존 접근과 달리, 본 방법은 중심 기반 attention을 통해 3차원 포인트만을 사용하여 제한된 포인트 주석 문제를 독점적으로 해결한다. 두 가지 임베딩 처리 과정을 사용함으로써, attention 메커니즘은 이웃(neighborhood) 전반에 걸쳐 전역(global) 특징을 통합하여 라벨이 없는 포인트 표현을 효과적으로 향상시킨다. 동시에, 중심 포인트와 각기 다른 이웃 간의 연계는 양방향으로 결속(cohered)된다. 위치 인코딩(position encoding)도 기하학적 특징을 강제하고 전체 성능을 향상시키기 위해 적용된다. 특히 PointCT는 추가적인 감독(supervision) 없이도 다양한 라벨 포인트 설정에서 우수한 성능을 달성한다. S3DIS, ScanNet-V2, STPLS3D의 공개 데이터셋에 대해 광범위한 실험을 수행한 결과, 제안하는 접근법이 다른 최신(state-of-the-art) 방법들에 비해 우수함이 입증되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.