SDD-PCN: 部分的な屋内点群の完了と意味セグメンテーションを同時に行うための構造認識型デュアルデコーダー学習
SDD-PCN: Structure-Aware Dual-Decoder Learning for Joint Completion and Semantic Segmentation of Partial Indoor Point Clouds
LiDARで取得された部分的な屋内点群は、オクルージョンや限定的な視点、不均一なサンプリングの影響を受けやすく、建築構造や室内オブジェクトの意味論を維持しながら完全なシーンジオメトリを復元することが困難である。この課題に対処するため、構造認識型デュアルデコーダー点群完了ネットワーク(SDD-PCN)が提案された。SDD-PCNは、建築構造と室内オブジェクトを分離し、それぞれに専用のマルチ解像度エンコーダーを適用して、それらの異なる幾何学的特性を捉える。得られた局所特徴は、グローバルシーン表現と融合され、並列の完了およびセグメンテーションストリームによって処理され、段階的なデコーディング中に情報が交換される。また、Stanford Large-Scale 3D Indoor Spaces (S3DIS) データセットの部分シーン拡張であるPartial-S3DISが構築された。実験の結果、SDD-PCNは、×10−3の報告規則の下で、L1および二乗L2チャムファー距離(CD-L1およびCD-L2)でそれぞれ16.73および15.27を達成した。最良のベースラインであるProtoFormerと比較して、SDD-PCNはCD-L1を3.96%、CD-L2を7.90%削減し、10のシーンカテゴリのうち8で最高の完了性能を示した。また、全体精度(OA)87.23%、クラス別平均精度(mAcc)74.33%、クラス別IoU平均(mIoU)63.62%を達成し、3つの意味メトリクスすべてでタスクマッチングされた意味シーン完了ベースラインを上回った。アブレーションおよびロバストネス分析により、構造認識型エンコーディングとデュアルストリーム特徴相互作用が、特に中程度および重度欠損下での幾何学的復元を改善することが確認された。
- 構造認識型デュアルデコーダー点群完了ネットワーク(SDD-PCN)が提案され、建築構造と室内オブジェクトを分離して個別のマルチ解像度エンコーダーで処理し、完了とセグメンテーションの並列ストリーム間で特徴を交換する構成を採用した。
- S3DISデータセットの部分シーン拡張であるPartial-S3DISを新たに構築し、部分点群の完了タスク向けの評価基盤を整備した。
- ×10^-3の報告規則下でCD-L1=16.73、CD-L2=15.27を達成し、最良ベースラインのProtoFormer比でCD-L1を3.96%、CD-L2を7.90%削減、10シーンカテゴリ中8で最高の完了性能を示した。
- 意味セグメンテーションでOA 87.23%、mAcc 74.33%、mIoU 63.62%を達成し、タスクマッチングされた意味シーン完了ベースラインを3指標すべてで上回った。
屋内3D点群の「補完」と「意味セグメンテーション」を単一ネットワークで同時処理する研究(SDD-PCN)で、学術ベンチマーク上の精度改善に留まる発表であり、直接の商用契約や資金調達には言及がない。ただし、LiDAR点群の欠損補完+意味理解は、建設・インフラ点検、ロボティクス、AR/デジタルツイン、自動運転の地図生成など幅広い応用の基盤技術であり、部分観測下でのロバスト性向上(中〜重度欠損での改善)は実運用環境での価値が高い。S3DISを拡張したPartial-S3DISという評価基盤を公開した点は、この領域の比較・再現性の土台になり、点群AIを手掛ける企業や、3Dセンシングを活用する産業ロボ・建設テック企業の競争力を測る指標になり得る。現時点では投資判断に直結する事象は薄く、関連企業への波及を見極めるモニタリング対象と位置づけるのが妥当。