거친 것에서 섬세한 것까지: 대규모에서 견고한 계층적 위치 추정

강건하고 정확한 시각적 위치 추정은 자율 주행, 모바일 로봇, 증강 현실 등 다양한 응용 분야에서 필수적인 기능입니다. 그러나 대규모 환경이나 상당한 외관 변화가 있는 경우, 이는 여전히 어려운 과제입니다. 최신 방법들은 이러한 시나리오에서 어려움을 겪을 뿐만 아니라, 일부 실시간 응용 프로그램에서는 자원이 너무 많이 소모됩니다. 본 논문에서는 HF-Net을 제안합니다. HF-Net은 단일 CNN(합성곱 신경망)을 기반으로 하는 계층적 위치 추정 접근법으로, 로컬 특징과 글로벌 설명자를 동시에 예측하여 정확한 6자유도(6-DoF) 위치 추정을 수행합니다. 우리는 거칠기부터 세밀하게(Gross-to-Fine)의 위치 추정 패러다임을 활용합니다: 먼저 글로벌 검색을 통해 위치 가설들을 얻고, 그 후에 후보 장소 내에서 로컬 특징들을 매칭합니다. 이 계층적 접근 방식은 상당한 실행 시간 절약을 가져오며, 우리의 시스템이 실시간 운영에 적합하도록 만듭니다. 학습된 설명자를 활용함으로써, 우리 방법은 외관의 큰 변동에도 불구하고 뛰어난 위치 추정 강건성을 달성하며, 두 개의 도전적인 대규모 위치 추정 벤치마크에서 새로운 최신 수준(state-of-the-art)을 설정하였습니다.