기술 요약: 3D 이상 탐지를 위한 멀티 스케일 레벨 오브 디테일 (LOD) 특징으로부터 학습하는 판별형 부호 거리 함수

문제 정의

3D 이상 탐지 (AD) 는 포인트 클라우드 내 정상 분포에서 벗어난 점과 영역을 식별하는 것을 목표로 하며, 이는 고정밀 산업 검사 및 자율 주행에 필수적인 작업입니다. 기존 접근법은 주로 그룹 기반 또는 포인트 기반 표현에 의존합니다.

• 그룹 기반 방법 (예: BTF, Reg3D-AD) 은 그룹 수준의 표현을 학습하지만, 정밀한 이상 위치 파악에 필요한 세밀한 디테일이 종종 부족합니다.
• 포인트 기반 방법 (예: IMRNet, PO3AD) 은 개별 점에 대한 좌표나 오프셋을 예측하지만, 전역 기하학적 구조와 국소적 위상 관계를 자주 무시합니다.

핵심적인 과제는 3D 포인트 클라우드의 대규모와 희소성을 고려할 때, 전역 기하학적 맥락과 국소적 구조적 디테일을 동시에 포착하는 정확한 점 단위 표현을 학습하는 데 있습니다. 또한, 제한된 정상 샘플로 모델을 학습시키는 것은 정상 점과 비정상 점 사이의 명확한 결정 경계를 학습하기 어렵게 만듭니다.

방법론

저자들은 멀티 스케일 레벨 오브 디테일 (LOD) 특징을 활용하여 판별형 부호 거리 함수 (SDF) 를 학습하는 표면 기반 방법을 제안합니다. 이 프레임워크는 세 가지 핵심 모듈로 구성됩니다:

1. 노이즈 점 생성 (NPG)

비정상 학습 데이터의 부족과 원시 포인트 클라우드의 희소성을 해결하기 위해, NPG 모듈은 다양한 학습 점 세트를 합성합니다:

• 표면 점: 입력 포인트 클라우드에서 파생된 삼각 메쉬 위에 생성되어 균일하게 분포된 정상 점 세트를 형성하며, 이는 기저 표면 기하학을 포착합니다.
• 근접 표면 노이즈 점: 객체 표면 주변의 작은 이상을 시뮬레이션하기 위해 표면 점에 가우시안 노이즈를 추가하여 생성됩니다.
• 균일 노이즈 점: 정규화된 3D 공간 내에서 균일하게 샘플링되어 표면에서 먼 큰 이상을 시뮬레이션합니다.
  이러한 점들은 판별형 특징 학습을 용이하게 하기 위해 실제 부호 거리 값 (표면 점의 경우 0, 노이즈 점의 경우 방향성 거리) 을 할당받습니다.

2. 멀티 스케일 레벨 오브 디테일 특징 (MLF) 모듈

단일 스케일 특징 추출의 한계를 극복하기 위해, MLF 모듈은 다양한 해상도를 가진 $L$개의 학습 가능한 3D 특징 볼륨을 구성합니다:

• 거친 레벨: 전역 기하학적 맥락과 위상 구조를 포착합니다.
• 세밀한 레벨: 함몰부와 돌출부 같은 국소적 구조적 디테일을 포착합니다.
  삼선형 보간을 사용하여 생성된 포인트 클라우드의 각 점에 대해 이러한 볼륨에서 특징을 추출합니다. 이 과정은 노이즈로 인한 위치 오류를 완화하면서 연속성과 매끄러움을 보장하여, 풍부한 국소 및 전역 정보를 포함하는 계층적 특징 세트를 생성합니다.

3. 암시적 표면 판별 (ISD) 모듈

ISD 모듈은 MLF 모듈이 추출한 멀티 스케일 특징을 융합하고 이를 점 좌표와 연결합니다. 이 결합된 표현은 각 점에 대한 부호 거리 값을 예측하는 판별형 SDF-Net(4 층 퍼셉트론) 에 입력됩니다.

• 학습 목적: 네트워크는 예측된 부호 거리와 실제 부호 거리 간의 평균 제곱 오차 (MSE) 손실로 최적화됩니다. 이는 네트워크가 정상 표면을 정확하게 모델링하도록 (0 에 가까운 값 예측) 강제하는 동시에 비정상 점에는 큰 거리 값을 할당하게 합니다.
• 추론: 테스트 포인트 클라우드의 경우, 예측된 부호 거리의 절대값이 점 단위 이상 점수로 사용됩니다. 객체 단위 점수는 모든 점에 걸친 최대 점수로 정의됩니다.

주요 기여

1. 노이즈 점 생성 (NPG): 판별형 특징 추출을 용이하게 하고 데이터 희소성을 극복하기 위해 표면, 근접 표면, 균일 노이즈 점을 합성하는 모듈.
2. 멀티 스케일 레벨 오브 디테일 특징 (MLF): 단일 스케일 표현의 한계를 해결하기 위해 여러 해상도 레벨에서 계층적 전역 및 국소 특징을 추출하고 통합하는 새로운 모듈.
3. 암시적 표면 판별 (ISD): 멀티 스케일 특징을 활용하여 판별형 SDF 네트워크를 학습시키는 메커니즘으로, 연속 표면 모델링을 통해 정상 점과 비정상 점을 효과적으로 구분 가능하게 함.
4. 최첨단 성능: 기존 그룹 기반 및 포인트 기반 방법보다 벤치마크 데이터셋에서 우수한 성능을 입증하는 광범위한 실험.

실험 결과

이 방법은 Anomaly-ShapeNet과 Real3D-AD 두 가지 데이터셋에서 평가되었습니다.

• Anomaly-ShapeNet: 제안된 방법은 평균 객체 단위 AUROC 92.1% 및 점 단위 AUROC **92.4%**를 달성했습니다. 이는 두 번째로 좋은 방법보다 객체 단위에서 2.1%, 점 단위에서 2.5% 더 높은 성능이었습니다.
• Real3D-AD: 이 방법은 평균 객체 단위 AUROC 85.9% 및 점 단위 AUROC **85.2%**를 달성했습니다. 점 단위 성능은 최근의 CASL 방법보다 약간 낮았지만, 객체 단위 탐지 성능은 CASL보다 3.6% 더 뛰어났습니다.
• 절대 실험: NPG 모듈을 제거하면 성능이 크게 저하되었습니다 (O-AUROC 27.8% 감소), 이는 합성 노이즈의 필요성을 강조합니다. MLF 를 단일 스케일 MLP 로 대체하거나 ISD 모듈에서 멀티 스케일 특징을 제거하는 것도 상당한 성능 저하를 초래하여 멀티 스케일 특징 통합의 중요성을 검증했습니다.
• 강건성: 이 모델은 노이즈가 있는 테스트 데이터에 대해 강건성을 보였으며, 테스트 샘플에 가우시안 노이즈가 주입되었을 때에도 다른 방법들보다 우수한 성능을 유지했습니다.

중요성 및 주장

이 논문은 그 주요 중요성이 이산적인 그룹 또는 점 표현에서 연속 표면 표현으로의 패러다임 전환에 있다고 주장합니다. 연속 표면을 모델링함으로써, 이 방법은 이전 방법들이 동시에 통합하는 데 어려움을 겪었던 고정밀 국소 위상과 완전한 전역 기하학을 본질적으로 포착합니다.

저자들은 그들의 접근 방식이 포인트 클라우드의 희소성과 제한된 정상 샘플로 판별형 경계를 학습하는 어려움이라는 과제를 효과적으로 해결한다고 주장합니다. 결과는 멀티 스케일 특징을 통한 판별형 부호 거리 함수 학습이 3D 이상 탐지 및 위치 파악을 위한 더 강건하고 정확한 프레임워크를 제공함을 시사합니다. 향후 작업은 일반화 능력을 향상시키고 다 카테고리 3D 이상 탐지 응용 분야를 탐색하는 데 초점을 맞출 것으로 확인되었습니다.