SIMPC: Learning Self-Induced Mirror-Point Consistency for Unsupervised Point Cloud Denoising

기술 요약: SIMPC: 비지도 점군 제거를 위한 자기 유도 거울점 일관성 학습

문제 제기
점군 제거는 표면 재구성 및 의미론적 이해와 같은 하위 작업에 필수적이지만, 2D 이미지 제거와 비교하여 고유한 난관에 직면해 있습니다. 이미지에서는 픽셀 단위 인덱싱이 노이즈가 있는 관측치 간에 고정된 공간적 대응을 허용하여, 비지도 방법이 동일한 위치의 노이즈 값을 깨끗한 신호의 무작위 실현으로 취급할 수 있게 합니다. 반면, 점군은 고정된 공간 인덱싱이 부재하며, 노이즈는 공간 위치와 기하학을 모두 인코딩하는 좌표 자체를 교란시킵니다. 이는 노이즈가 있는 관측치 간의 대응 일관성을 깨뜨립니다.

기존 비지도 점군 제거 방법들은 노이즈 변형체 간의 통계적 매핑을 학습하려 시도하지만, '대응 모호성'으로 고통받고 있습니다.

• 노이즈 기반 방법(예: Noise4Denoise, Noise2Score3D) 은 무작위 노이즈를 주입하여 더 많은 노이즈가 있는 변형체를 생성합니다. 유도된 대응은 순수한 확률적 노이즈에 의해 주도되며, 명시적으로 목표 표면을 가리키지 않습니다.
• EMD 기반 방법(예: NoiseMap, U-CAN) 은 지구 이동 거리 (Earth Mover's Distance) 를 사용하여 제거된 출력과 노이즈 변형체 간의 최적 수송을 부과합니다. 이는 노이즈 기반 접근법보다 더 구조화된 대응을 산출하지만, 수송은 점 집합 분포 수준에서 작동합니다. 이는 목표 표면과의 점 단위 일관성을 명시적으로 장려하지 않아, 점들이 동일한 기본 표면의 서로 다른 관측치를 나타내지 않을 수 있는 모호한 매핑을 초래합니다.

방법론: 자기 유도 거울점 일관성 (SIMPC)
저자들은 SIMPC 를 제안합니다. 이는 짝지어진 깨끗한 데이터 없이 점과 기본 표면 간의 결정론적 1 대 1 대응을 학습하는 프레임워크입니다. 핵심 통찰은 독립적으로 샘플링된 노이즈가 있는 관측치를 매칭하는 대신, 단일 노이즈 점으로부터 자기 유도된 대응을 확립하는 데 있습니다.

이 프레임워크는 인코더, 제거 블록, 그리고 거울점 생성 모듈 (MPGM) 로 구성된 반복적 제거 파이프라인을 통해 독립적으로 처리되는 두 가지 노이즈 변형체 ($X_a, X_b$) 를 기반으로 작동합니다.

1. 인코더: 입력 노이즈 점군으로부터 점 단위 특징을 추출하기 위해 스킵 연결이 있는 T-레이어 DGCNN 을 활용하여 특징 공간에서 동적 이웃을 구성합니다.
2. 제거 블록: 점 자기 주의 (Point Self-Attention, PSA) 를 사용하여 특징을 정제하고 국소 기하학적 인식을 향상시킨 후, 점 단위 제거 벡터 ($d_i$) 를 예측하는 디코더를 따릅니다. 점 좌표는 다음과 같이 반복적으로 업데이트됩니다: $x_i^l = x_i^{l-1} + d_i^l$.
3. 거울점 생성 모듈 (MPGM): 이는 결정론적 대응을 생성하도록 설계된 새로운 구성 요소입니다. 노이즈 시드 점 $x_i$ 와 그 제거 벡터 $d_i$ 에 대해:
   • 표준 제거된 시드 점이 생성됩니다: $\hat{x}_i = x_i + w_1 d_i$ (여기서 $w_1=1$).
   • 더 큰 스케일링 인자로 제거 벡터를 확장하여 기본 표면의 반대쪽에 거울점이 생성됩니다: $\tilde{x}_i = x_i + w_2 d_i$ (여기서 $w_2=2$).
   • 이 거울점에 대한 국소 이웃은 원래 노이즈 구름에서 (원래 점을 제외하고) 다시 계산됩니다.
   • 동일한 PSA 및 디코더 연산이 거울점의 이웃에 적용되어 거울 제거 벡터 ($\tilde{d}_i$) 를 예측하고 제거된 거울점을 얻습니다: $\bar{x}_i = \tilde{x}_i + \tilde{d}_i$.
4. 거울점 일관성 손실 (MPCL): 이 방법은 동일한 기본 표면 위치에 결정론적으로 연관되어 있지만 서로 다른 이웃 노이즈 상태를 보이는 제거된 시드 점 ($\hat{x}_i$) 과 제거된 거울점 ($\bar{x}_i$) 간의 일관성을 강제합니다. 손실은 다음과 같이 정의됩니다:
   $$L_{MPC} = \sum_{i=1}^{N} \|\hat{x}_i - \bar{x}_i\|_2^2$$
   이는 두 점 모두 공통된 목표 표면으로 수렴하도록 장려하여 표면 위치를 효과적으로 국소화합니다.
5. 전체 목적 함수: 총 손실은 두 가지 독립적인 노이즈 변형체 간의 Chamfer Distance 기반 유사성 정규화 ($L_{SR}$) 와 MPCL 을 결합하여 거친 유사성 제약을 제공합니다.

주요 기여

• 새로운 프레임워크: 이전 방법들에 내재된 대응 모호성을 해결하는, 동일한 목표 표면과 연관된 노이즈 점들 간의 결정론적 1 대 1 대응을 확립하는 비지도 프레임워크 SIMPC 의 도입.
• MPGM 및 MPCL: 기하학적 사전 지식을 추출하고 자기 유도 거울 대응체를 생성하기 위한 거울점 생성 모듈의 설계와 일관된 제거 목표를 강제하기 위한 거울점 일관성 손실의 결합.
• 성능: 광범위한 실험을 통해 SIMPC 가 합성 (PUNet, PCNet) 및 실세계 (Paris-Rue-Madame, Kinect) 데이터셋 모두에서 비지도 방법들 사이에서 최첨단 (SOTA) 성능을 달성함을 입증했습니다. 특히, 여러 강력한 지도 학습 대응체들을 능가했습니다.

실험 결과
저자들은 가우시안 및 비가우시안 (라플라시안, 이산, 이방성, 균일) 노이즈가 있는 합성 데이터셋과 실세계 스캔에 대해 SIMPC 를 평가했습니다.

• 정량적 지표: SIMPC 는 Chamfer Distance (CD) 및 점 - 메쉬 (Point-to-Mesh, P2M) 거리 측면에서 기존 비지도 방법들 (예: Noise2Score3D, U-CAN, Score-U) 과 최적화 기반 방법들 (예: GLR, MRPCA) 일관적으로 우위를 점했습니다. 많은 경우, PD-Refiner 및 StraightPCF 와 같은 지도 학습 방법들보다 낮은 오차율을 달성했습니다.
• 정성적 결과: 시각화는 SIMPC 가 잔여 노이즈를 효과적으로 억제하고, 군집 아티팩트나 선형 구조 수렴으로 고통받던 방법들에 비해 더 매끄러운 표면을 생성하며 기본 기하학에 더 잘 정렬됨을 보여주었습니다.
• 애블레이션 연구: MPCL 을 제거하고 Chamfer Distance 나 EMD 기반 제약에만 의존할 경우 성능이 현저히 저하되어 결정론적 대응의 필요성을 입증했습니다. 기하학적 대칭 설계 ($w_2=2$) 는 비대칭 설정에 비해 최적인 것으로 발견되었습니다.

의의 및 주장
이 논문은 SIMPC 가 비지도 점군 제거에서 대응 모호성의 근본적인 한계를 해결한다고 주장합니다. 제거 과정에서 추출된 기하학적 사전 지식을 활용하여 자기 유도 거울점을 생성함으로써, 이 방법은 기본 표면의 정확한 국소화를 가능하게 하는 결정론적 대응을 학습합니다. 저자들은 이 접근법이 지도 학습 방법과의 격차를 해소할 뿐만 아니라, 여러 사례에서 이를 능가한다고 주장하며, 짝지어진 노이즈 - 깨끗한 훈련 데이터 없이도 고품질 제거를 달성할 수 있음을 보여줍니다. 이 연구는 중국의 국가 중점 연구 개발 프로그램의 지원을 받았습니다.