초록
최근 몇 년 동안 단일 RGB 이미지에서 강체 물체의 자세 추정(task of rigid object pose estimation)에 대해 상당한 진전이 이루어졌지만, 부분적 가림(즉, partial occlusions)에 대한 견고성(robustness)을 확보하는 것은 여전히 도전적인 문제로 남아 있다. 특히 데이터가 부족한 상황에서 개선된 성능을 달성하기 위해 렌더링을 통한 자세 보정(pose refinement) 기법이 유망한 방향으로 부각되고 있다.본 논문에서는 자세 보정에 초점을 맞추어, 부분적 가림 상황에서 최신 기술의 한계를 더 뛰어넘을 수 있는 방법을 제안한다. 제안하는 자세 보정 방법은 단순화된 학습 과제에 기반하며, CNN을 활용하여 관측된 이미지와 렌더링된 이미지 사이의 재투영 오차(reprojection error)를 추정하도록 학습시킨다. 우리는 순수한 합성 데이터뿐 아니라 합성 데이터와 실물 데이터의 혼합 데이터를 사용하여 실험을 수행하였다. 결과적으로, 가림 상태를 고려한 LINEMOD 벤치마크(Occlusion LINEMOD benchmark)에서 세 가지 지표 중 두 가지 지표에서 현재 최고 성능을 기록한 기법들을 초과하였으며, 마지막 지표에서는 동등한 성능을 달성하였다.