스테레오 디스파리티 추정을 위한 Wasserstein 거리

기존의 깊이 또는 이동차이 추정 방법은 사전 정의된 이산 값 집합에 대한 분포를 출력합니다. 이는 실제 깊이 또는 이동차이가 이러한 값들 중 어느 하나와 일치하지 않을 때 부정확한 결과를 초래합니다. 또한 이러한 분포가 일반적으로 회귀 손실을 통해 간접적으로 학습되는 사실은 객체 경계 주변과 같은 모호한 영역에서 추가적인 문제를 야기합니다. 우리는 이러한 문제들을 해결하기 위해 임의의 깊이 값을 출력할 수 있는 새로운 신경망 구조와 실제 분포와 예측 분포 사이의 Wasserstein 거리에서 유도된 새로운 손실 함수를 사용하였습니다 (Wasserstein distance). 우리의 접근 방식은 다양한 작업, 특히 스테레오 이동차이 및 깊이 추정, 그리고 후속 3D 객체 검출에서 검증되었습니다. 우리의 접근 방식은 객체 경계 주변과 같은 모호한 영역에서 오류를 크게 줄여, 특히 3D 공간에서 객체 위치 결정에 큰 영향을 미치는 부분에서 최신 기술 수준의 성능을 달성하였습니다. 자율 주행 차량용 3D 객체 검출에서도 최고 성능을 보였습니다. 우리의 코드는 https://github.com/Div99/W-Stereo-Disp 에서 제공될 예정입니다.