AdaDepth: 감독되지 않은 내용 일치 깊이 추정 적응

감독된 딥 러닝 방법은 단일 카메라 깊이 추정 작업에서 유망한 결과를 보여주었지만, 진실 데이터 획득은 비용이 많이 들고 노이즈 및 부정확성에 취약하다는 문제가 있다. 합성 데이터셋을 사용하여 이러한 문제를 우회할 수 있지만, 모델은 본질적인 도메인 시프트 때문에 자연 환경으로의 일반화가 잘 이루어지지 않는다. 최근의 적대적 도메인 적응 접근법은 소스 도메인과 대상 도메인 간의 차이를 완화하는 데 효과적이었지만, 이러한 방법들은 주로 분류 설정에 제한되며 완전 컨벌루셔널 아키텍처에는 잘 확장되지 않는다는 한계가 있다. 본 연구에서는 단일 카메라 깊이 추정 작업의 픽셀 단위 회귀 과제를 위한 감독되지 않은 도메인 적응 전략인 AdaDepth를 제안한다. 제안된 접근법은 a) 적대적 학습과 b) 적응된 대상 표현에 대한 명시적인 콘텐츠 일관성 부여를 통해 위와 같은 한계를 극복한다. 우리의 감독되지 않은 접근법은 다른 기존 방법들과 비교해도 경쟁력 있으며, 반감독 설정에서 최신 성능을 달성하였다.