Masked autoencoding (MAE)은 3D 포인트 클라우드(point clouds)에 대한 자기지도 학습(self-supervised learning)의 주요 패러다임으로 부상하였으며, 다양한 다운스트림 태스크(downstream tasks)에서 경쟁력 있는 성능을 달성했습니다. 2D 방식과 달리, 3D masked autoencoding은 공간 좌표를 직접 재구성하기 때문에 본질적으로 위치 누출(positional leakage)에 취약합니다. 본 연구에서는 기존 3D MAE 프레임워크의 디코더(decoder)가 위치 정보에 과도하게 의존하는 경향이 있으며, 이것이 의미론적 표현 학습(semantic representation learning)을 약화시키고 최적화되지 않은 특징 품질(feature quality)로 이어진다는 점을 확인했습니다. 이 문제를 해결하기 위해, 우리는 위치 과의존을 완화하는 동시에 인코더 특징(encoder features)의 활용을 강화하는 마스크 포인트 학습 프레임워크인 MPL-MAE를 제안합니다. 구체적으로, 기하학적 위상(geometric topology)은 보존하면서 거리 중심의 좌표 신호(metric-dominant coordinate signals)를 억제하는 재보정된 위치 임베딩(recalibrated positional embedding) 모듈과, 재구성 과정에서 위치 주입(positional injection)을 동적으로 조절하는 게이트형 위치 인터페이스(gated positional interface) 모듈을 도입합니다. 이러한 설계는 공간적 사전 정보(spatial priors)와 의미론적 특징(semantic features) 사이의 더욱 균형 잡힌 상호작용을 촉진하여, 강건하고 정보가 풍부한 표현(representations)을 생성합니다. 다양한 다운스트림 태스크에 걸친 광범위한 실험을 통해 MPL-MAE가 일관되게 경쟁력 있는 성능을 달성함을 입증하였으며, 그 효과를 검증했습니다. 코드는 https://github.com/yanx57/MPL-MAE 에서 확인할 수 있습니다.