최근의 3D 인스턴스 분할 방법들은 대개 수백 개의 인스턴스별 후보를 인스턴스 특화 정보를 다양한 방식으로 인코딩하고 이를 최종 마스크로 정제한다. 그러나 이러한 후보들의 이점을 충분히 탐구하지 못하고 있다. 동일 인스턴스의 서로 다른 부분을 나타내는 다수의 후보들에 인코딩된 유용한 단서들을 간과하여 조각난 결과가 발생한다. 또한, 희소하고 순서가 없는 포인트 클라우드로부터 기인하는 본질적 잡음 때문에, 3D 인스턴스의 정확한 공간 범위를 포착하지 못하는 경우가 많다. 본 연구에서는 이러한 문제를 해결하기 위해 새로운 인스턴스별 지식 향상 접근법인 IKNE를 제안한다. 먼저, 동일 인스턴스를 나타내는 후보들 간의 상관관계를 최적화하여 흩어진 단일 인스턴스의 세부 정보를 연관시키는 Instance-wise Knowledge Aggregation (IKA)을 도입한다. 더 나아가, 모호성이 줄어든 특징으로부터 구조적 단서를 활용하여 후보의 공간적 이해를 향상시키기 위한 Instance-wise Structural Guidance (ISG)를 제시한다. 여기서 우리는 3D 특징의 내재적 잡음을 최소화하기 위해 간단하면서도 효과적인 절단 특이값 분해(truncated singular value decomposition) 알고리즘을 활용한다. 대규모 데이터셋인 ScanNetV2, ScanNet200, S3DIS, STPLS3D에 대한 광범위한 실험에서 IKNE는 기존 방법들보다 성능이 우수함을 보인다. 또한 커널 기반 및 트랜스포머 기반 아키텍처 모두에서 모듈의 효과를 검증한다.

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