[논문 리뷰] Send Less, Perceive More: Masked Quantized Point Cloud Communication for Loss-Tolerant Collaborative Perception

Sheng Xu, Enshu Wang외 7명|arXiv (Cornell University)|2026. 02. 25.

Advanced Neural Network Applications인용 수 0

한 줄 요약

QPoint2Comm은 LiDAR 포인트클라우드를 공유 코드북으로 이산 인덱스로 양자화하고, 마스크 학습을 통해 패킷 손실에 강한 내성을 가능하게 하며, Cascade Attention Fusion을 사용하여 낮은 대역폭에서 고정밀 협력 인식을 달성한다.

ABSTRACT

Collaborative perception allows connected vehicles to overcome occlusions and limited viewpoints by sharing sensory information. However, existing approaches struggle to achieve high accuracy under strict bandwidth constraints and remain highly vulnerable to random transmission packet loss. We introduce QPoint2Comm, a quantized point-cloud communication framework that dramatically reduces bandwidth while preserving high-fidelity 3D information. Instead of transmitting intermediate features, QPoint2Comm directly communicates quantized point-cloud indices using a shared codebook, enabling efficient reconstruction with lower bandwidth than feature-based methods. To ensure robustness to possible communication packet loss, we employ a masked training strategy that simulates random packet loss, allowing the model to maintain strong performance even under severe transmission failures. In addition, a cascade attention fusion module is proposed to enhance multi-vehicle information integration. Extensive experiments on both simulated and real-world datasets demonstrate that QPoint2Comm sets a new state of the art in accuracy, communication efficiency, and resilience to packet loss.

연구 동기 및 목표

• 자율주행의 협력 인식에서 대역폭 제약과 패킷 손실 문제를 해결한다.
• 공유 코드북을 통해 압축 인덱스를 전송하는 이산 포인트 클라우드 표현을 제안한다.
• 랜덤 손실에서도 성능을 유지하기 위한 패킷 손실 내성 학습 전략을 도입한다.
• 강인한 다중차량 인식을 위한 자가 피처와 협력 신호를 계단식으로 융합하는 융합 프레임워크를 개발한다.

제안 방법

• 저대역폭 전송을 위해 공유 코드북(DCR)을 사용하여 LiDAR 포인트 클라우드를 이산 코드북 인덱스로 인코딩한다.
• 수신된 인덱스로부터 자차에서 협력 포인트 클라우드를 재구성한다. 이중 코드북 설계(점유 및 강도).
• 마스크 학습을 적용하여 임의의 패킷 손실을 시뮬레이션하고 추론 시 누락된 특징을 학습 가능한 벡터로 채운다.
• Pyramid-scale Fusion with Cascade Attention (PCAF)을 통해 자가 특징과 협력 특징을 융합하여 폐색 로버스트를 향상시킨다.
• 신뢰도 기반 특징 필터(CFF)로 낮은 신뢰도의 협력 특징을 필터링하고 BBox Filter와 Offset (BFO)로 박스를 정제한다.
• 두 단계로 학습: 이산 포인트 클라우드 표현 학습, 이후 융합을 통한 3D 객체 탐지.

실험 결과

연구 질문

• RQ1 LiDAR 데이터를 3D 인식의 높은 충실도를 유지하면서 어떻게 크게 감소된 대역폭으로 전송할 수 있는가?
• RQ2 랜덤 전송 손실 하에서 로버스트한 협력 인식을 가능하게 하는 패킷 손실 내성 학습 체계가 가능한가?
• RQ3 융합 전에 자가 특징과 협력 신호를 캐스케이드 방식으로 결합하는 것이 가려짐과 위치 오차에 대한 견고성을 향상시키는가?

주요 결과

모델	OPV2V AP@0.7	OPV2V AP@0.5	DAIR-V2X AP@0.7	DAIR-V2X AP@0.5
퓨전 없음	48.66	68.71	43.57	50.03
지연 융합	59.48	79.62	34.47	51.14
중간 융합	70.82	88.41	39.38	56.22
When2comm	57.55	74.11	33.68	48.20
DisoNet	68.64	84.72	40.69	52.67
Where2comm	69.73	85.16	43.71	59.52
V2X-ViT	70.06	84.65	40.43	53.08
ERMVP	69.71	86.63	46.96	64.21
SICP	67.13	82.86	41.03	52.72
mmCooper	78.11	88.93	48.27	65.12
Ours	82.21	92.18	53.45	67.97

• QPoint2Comm은 강력한 기준선 대비 OPV2V에서 AP@0.7을 4.10%, DAIR-V2X에서 5.18% 증가시켰다.
• 이산 코드북 인덱스 전송으로 인해 낮고 안정적인 통신량(로그2 스케일 약 14.95)을 유지하고 지연도 감소한다.
• 마스크 학습은 실험에서 최대 40%의 패킷 손실에 대한 견고성을 가능하게 하여, 높은 손실 조건에서 대부분의 baseline보다 우수하다.
• 원시 포인트 클라우드를 양자화하는 것이 중간 특징을 양자화하는 것보다 더 높은 탐지 정확도를 낸다.
• 제안된 Cascade Attention Fusion은 협력 신호를 점진적으로 자가 특징에 통합하여 견고성과 정확성을 향상시킨다.