평면 패치를 기반으로 한 적응형 옥트리 합성곱 신경망(Octree Convolutional Neural Networks, O-CNN)이 제안되었으며, 효과적인 3차원 형태 인코딩과 디코딩을 위해 사용됩니다. 복셀 기반 또는 옥트리 기반 합성곱 신경망(CNN)과 달리 복셀과 동일한 해상도로 3차원 형태를 표현하는 대신, O-CNN은 서로 다른 계층의 옥트리 노드를 적응형으로 표현하며, 각 옥트리 노드 내 3차원 형태를 평면 패치를 통해 모델링합니다. 이러한 적응형 표현을 바탕으로 3차원 형태 인코딩 및 디코딩을 위한 적응형 O-CNN 인코더와 디코더가 설계되었습니다. 적응형 O-CNN 인코더는 평면 패치의 법선과 변위를 입력으로 받아 각 계층 옥트리 노드에서만 3차원 합성곱 연산을 수행하며, 적응형 O-CNN 디코더는 각 계층 옥트리 노드의 형태 점유율과 분할 상태를 추론하고 각 최적 잎 옥트리 노드의 평면 법선과 변위를 추정합니다. 단일 이미지의 형태 예측을 통해 적응형 O-CNN의 생성 작업 효율성과 유효성이 검증되었으며, 베벨 거리 오차는 0.274로 OctGen의 0.294보다 낮아 더 나은 재구성 결과를 얻었습니다. 평면 패치를 기반으로 하는 적응형 O-CNN은 3D 형태 분석 및 생성의 범용 프레임워크로서 메모리 및 계산 비용을 줄일 뿐만 아니라 기존 3D-CNN 방법보다 더 우수한 형태 생성 능력을 가지고 있습니다.

컴퓨터 비전;3D 재구성;합성곱 신경망;신경망