[Paper] Voxel 기반 포인트 클라우드 네트워크에서 Sparse Convolutions 가속화

Source: arXiv

Abstract

Sparse Convolution (SpC) 은 자율 주행 및 AR/VR에 널리 사용되는 3D 포인트 클라우드 네트워크에 동력을 제공합니다. SpC 는 입력 voxel 좌표, 출력 좌표, 그리고 가중치 오프셋 사이의 매핑을 저장하는 커널 맵을 구축한 뒤, 이 맵을 사용해 출력 좌표에 대한 특징 벡터를 계산합니다. 우리의 연구는 voxel 좌표의 세 가지 핵심 특성을 확인합니다: 정수값이며, 제한된 공간 범위 내에 제한되고, 기하학적으로 연속적이라는 점—같은 객체 표면상의 인접 voxel은 서로 작은 공간 오프셋을 두고 존재할 가능성이 높습니다. 기존 SpC 엔진은 이러한 특성을 충분히 활용하지 못하고, 커널 맵 구축 과정에서 높은 전처리 및 후처리 오버헤드를 겪습니다. 이를 해결하기 위해 우리는 GPU용 최초의 voxel‑특성 인식 SpC 엔진인 Spira 를 설계했습니다. Spira 는 다음을 제안합니다:

1. 전처리 없이 고 메모리 지역성을 갖는 커널 맵을 구축하는 고성능 원샷 탐색 알고리즘.
2. 낮은 비용으로 패킹된 voxel 좌표에 접근하는 효과적인 패킹‑네이티브 처리 방식.
3. 레이어 특성에 맞춰 출력 특징 벡터를 효율적으로 계산하는 유연한 이중‑데이터플로우 실행 메커니즘.
4. 네트워크 시작 시 모든 SpC 레이어에 대해 커널 맵을 동시에 구축하는 네트워크‑전체 병렬화 전략.

우리의 평가 결과, Spira 는 기존 SpC 엔진에 비해 평균 1.71배, 최악의 경우 2.31배까지 엔드‑투‑엔드 추론에서, 그리고 다양한 레이어 구성에서 레이어‑별 실행 시 평균 2.13배, 최악의 경우 3.32배까지 크게 향상됨을 보여줍니다.

Subjects

• Distributed, Parallel, and Cluster Computing (cs.DC)
• Hardware Architecture (cs.AR)
• Machine Learning (cs.LG)
• Performance (cs.PF)

Citation

arXiv:2511.20834 (cs.DC)

DOI

https://doi.org/10.48550/arXiv.2511.20834

Submission History

• v1, Tue, 25 Nov 2025 20:34:37 UTC (602 KB) – Dionysios Adamopoulos