초록
편미분방정식(PDE)로 설명되는 물리적 지식을 활용하는 것은 비감독 영상 예측 방법을 향상시키는 매력적인 방식이다. 일반 영상의 전체 시각적 콘텐츠를 설명하기에는 물리 법칙이 지나치게 제한적이기 때문에, 우리는 PDE 동역학과 알 수 없는 보완 정보를 명시적으로 분리하는 이중 브랜치 딥 아키텍처인 PhyDNet을 제안한다. 두 번째 기여는 데이터 통합 기법을 영감으로 받아 잠재 공간에서 PDE 제약 조건을 갖춘 예측을 수행할 수 있는 새로운 순환 물리 셀(PhyCell)을 제안한 점이다. 네 가지 다양한 데이터셋에서 수행한 광범위한 실험을 통해 PhyDNet이 최첨단 방법들을 능가하는 능력을 입증하였다. 제거 실험(ablation study)를 통해 분리 기법과 PDE 제약 예측이 각각 가져오는 중요한 성능 향상 효과도 확인하였다. 마지막으로, PhyDNet이 결측 데이터 처리 및 장기 예측에 있어 흥미로운 특성을 지닌다는 점을 보여주었다.