UC-Net: 조건부 변분 오토인코더를 통한 불확실성 유도 RGB-D 색인성 탐지

본 논문에서는 데이터 라벨링 과정을 통해 학습함으로써 불확실성을 활용하는 최초의 프레임워크(UCNet)를 제안한다. 기존의 RGB-D 색각 탐지 방법들은 색각 탐지 작업을 점 추정 문제로 간주하여 결정론적 학습 파이프라인에 따라 단일 색각 맵을 생성한다. 색각 데이터 라벨링 과정에 영감을 받아, 조건부 변분 오토인코더를 활용한 확률적 RGB-D 색각 탐지 네트워크를 제안하여 인간의 라벨링 불확실성을 모델링하고, 잠재 공간에서 샘플링을 통해 각 입력 이미지에 대해 다수의 색각 맵을 생성한다. 제안된 색각 일치 처리 과정을 통해 이러한 다수의 예측 결과를 기반으로 정확한 색각 맵을 생성할 수 있다. 18개의 경쟁 알고리즘과 비교하여 6개의 도전적인 벤치마크 데이터셋에서 수행된 정량적 및 정성적 평가 결과는 본 방법이 색각 맵의 분포를 효과적으로 학습함으로써 RGB-D 색각 탐지 분야에서 새로운 최고 성능을 달성하고 있음을 입증한다.