室内の大規模かつ疎な点群において、グローバル構造のモデリング不足やジオメトリックディテールの保持が不十分であり、あらゆるシーンに直接適用できない課題に対応するため、本研究では空間点充填系列化（SPFS）とジオメトリック認識チャネル伝播（GCP）を融合した新しいネットワーク構造を提案する。SPFSモジュールは適応的空間充填曲線を通じて隣接点の順序付けを実現し、方向関係および空間近接性を明示的に保持することで、グローバル構造モデリング能力を向上させ、明示的座標への依存を低減する。GCPモジュールは点間のジオメトリック関係を利用してチャネル特徴の重み付き相互作用と残差融合を導き、複雑な構造および境界領域の判別能力を効果的に強化する。実験結果は、本手法が主流の評価指標で優れた性能を示し、難易度の高いカテゴリおよび小スケールのターゲットにおいて特に顕著であることを示した。スタンフォード室内3Dデータセットを用いた実験により、RandLA-Net手法と比較して、本手法の<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M001c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula>が70.0%から76.2%に、<inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"><msub><mrow><mi>m</mi></mrow><mrow><mi mathvariant="normal">A</mi><mi mathvariant="normal">c</mi><mi mathvariant="normal">c</mi></mrow></msub></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/4277CD0A-8410-478b-AF72-CAD91CE58139-M002c.jpg"/><?fx-imagestate width="5.41866684" height="3.21733332"?></graphic></alternatives></inline-formula>が82.4%から83.4%に向上したことを示した。本研究は、大規模点群の効率的かつ高精度なセマンティックセグメンテーションのための拡張可能なソリューションを提供し、推論効率とメモリオーバーヘッドを維持しながら全体的に高い精度を達成した。

点群セマンティックセグメンテーション; 空間系列化; ジオメトリック認識; 3Dシーン理解