Understanding unordered 3D point sets is crucial for identifying and differentiating complex geometric patterns, and curvature features play a pivotal role in this process. Despite their significance, many point cloud encoders predominantly rely on Euclidean coordinate features for shape information extraction. While some prior works have proposed incorporating curvature information into point features, they often lack a comprehensive consideration of coarse-grained curvature from a broader perspective, focusing solely on local curvature based on nearest points. This limitation becomes more evident in real-world point clouds with high irregularities and local noise. Moreover, existing methods often overlook curvature along different directions, despite the fact that the contour of 3D objects can vary based on their orientation. To address these challenges, this thesis introduces an effective curvature encoding strategy named Progressive Curvature Scanning (PCS). This approach models direction-dependent curvature features at multiple levels of granularity, estimating local curvature within the frame of a sphere by analyzing differences in normal vectors belonging to specific spherical sections. Additionally, global contour features are encoded with the assistance of multi-view 2D depth maps obtained through the projection of point clouds.
3D 포인트 집합을 이해하는데 있어서 곡률 정보는 복잡한 기하학적 패턴을 식별하고 구별하는데 중요한 역할을 한다. 그러나 그 중요성에도 불구하고 대부분의 포인트 클라우드 인코더는 형태 정보를 추출하기 위해 유클리드 좌표 특징에만 의존한다. 일부 선행 연구들이 곡률 정보를 포인트 피쳐에 담고자 하는 시도들을 하였지만, 국소 부위만 보아 더 넓은 시각의 곡률 정보를 이해하지 못한다. 또한 방향에 따라 3차원 물체의 윤곽 정보가 달라짐에도 각 방향에 따른 곡률 정보를 고려한 방법은 아직 제시된 바가 없다. 이런 문제들에 대응하기 위해, 본 논문은 방향 종속적인 다중 계층 곡률 특징을 점진적으로 모델링하는 효과적인 방법을 제안한다. 구 프레임 내의 특정 구간에 속하는 법선 벡터의 차이를 관찰하여 지역 곡률을 추정하고 포인트 클라우드를 평면에 투영하여 얻은 여러 방향의 깊이 맵의 안내로 전역 윤곽 특징을 배우도록 한다.
