연구진이 정적/동적 분할 오류와 3D 재구성 오류 문제를 해결하기 위해 다중 모드 동적 객체 분할 프레임워크를 제안했어요. 2D 포인트 트랙, 3D 재구성, 의미 정보를 통합하여 정확하고 완전한 동적 마스크를 생성합니다. 트랜스포머 아키텍처와 특징 클러스터링 집계 모듈을 결합하여 정적/동적 분류를 수행하고, 장면 특성에 따라 적응적으로 특징을 결정합니다.
연구진은 새로운 포인트 쿼리 기반 SAM 후처리 방법을 도입하여 단일 마스크 내 여러 객체를 처리할 수 있도록 했습니다. 실험 결과, 동적 객체 분할과 정적 장면 재구성 작업 모두에서 최고 성능을 달성했어요.
포인트 트랙, 3D 재구성, 의미 정보를 통합하여 정적/동적 분할 오류와 3D 재구성 오류 문제를 해결하는 새로운 프레임워크를 제안했어요.