본 논문은 3D 재구성 등 다양한 분야에 활용되는 점군 업샘플링 기술을 연구합니다. 점군의 전역 및 지역 정보를 각각의 인코더에 입력하여 특징을 추출하고, 이를 융합하여 업샘플링 디코더에 전달하는 프레임워크를 제안합니다. 이를 통해 점군의 희소성과 노이즈 문제를 해결하고, 기존 최첨단(SOTA) 점군 업샘플링 신경망에 적용 가능함을 보입니다. 자동 인코더 기반 심층 학습 모델을 이용한 실험을 통해 전역 및 지역 정보의 해석 가능성을 높였으며, 제안된 프레임워크가 기존 SOTA 성능을 향상시킴을 입증했습니다. 또한, 샐리언시 맵을 통해 전역 및 지역 특징 입력 간의 차이와 두 입력을 병렬로 학습하는 효과를 보여줍니다.
