[연구의 필요성]

자율주행·로보틱스의 핵심인 LiDAR 3D 포인트 클라우드 의미 분할은 조밀한 라벨링 비용이 막대해 학습 데이터의 규모와 다양성이 크게 제약된다. 이를 완화하는 준지도학습은 모델이 만든 부정확한 의사라벨(pseudo-label)을 그대로 학습에 사용하면서 오류가 누적되는 확증 편향 문제를 겪어 왔다.

[포스텍이 가진 고유의 기술]

연구팀은 신뢰도 낮은 라벨을 버리거나 가중치를 낮추는 사후 처리에 머문 기존 방식을 넘어, 의사라벨 품질을 생성 시점에 개선하는 프레임워크 RePL을 제안했다. 교사-학생 네트워크에 의사라벨 정제기를 결합해 오류 가능 영역을 추정하고 마스크드 재구성으로 더 깨끗한 지도 신호를 만들며, 정제가 이득이 되는 수학적 조건을 이론적으로 규명했다.

[연구의 의미]

본 연구는 준지도 LiDAR 분할에서 의사라벨을 사후에 걸러내는 관점을 능동적으로 고쳐 쓰는 관점으로 전환했다. 정제가 언제 이득이 되는지를 이론적으로 증명하고 그 조건이 실제로 온화하게 충족됨을 실험으로 확인해 방법의 타당성을 뒷받침했다.

[연구결과의 진행 상태 및 향후 계획]

현재 nuScenes-lidarseg와 SemanticKITTI에서 다양한 라벨 비율에 걸쳐 SOTA를 달성했으며 ECCV 2026에 채택됐다. 향후 휴리스틱 오류 마스크를 학습 기반 오류 지역화로 대체해 성능을 더 끌어올리고 다양한 백본·실주행 환경으로 확장할 계획이다.

[성과와 관련된 실적]

권동현*, 박태규*, 곽수하 (POSTECH 컴퓨터공학과·인공지능대학원, *공동 제1저자)

RePL: Pseudo-label Refinement for Semi-supervised LiDAR Semantic Segmentation

    - ECCV 2026 논문 채택

    - nuScenes-lidarseg, SemanticKITTI 평균 mIoU 최고 달성

    - 정제기 도입으로 supervised-only 대비 +9.1 mIoU 향상, SphereFormer 등 다른 백본에서도 성능 향상 확인

[요약]

본 연구는 자율주행·로보틱스의 3D 인식에서 라벨링 비용 문제를 근본적으로 완화하는 준지도학습 기술로, 이론적 보장과 실증 성능을 함께 갖춰 데이터 효율적 3D 인식 시스템으로 확장 가능성이 높다.

[성과와 관련된 이미지]