초록
딥러닝에서 흔히 사용되는 가장 급격한 강하 알고리즘은 경사 벡터를 하강 방향으로 사용하며, 조건부 전처리(preconditioning)를 통해 방향을 조정한 후 사용하기도 한다. 많은 상황에서 복잡하거나 미분 불가능한 비용 함수로 인해 경사 값을 수치적으로 계산하는 것이 어렵고, 특히 특이점(특이점) 근처에서는 더욱 그렇다. 본 연구에서는 비감독적 비용 함수에서 흔히 사용되는 총 변동(Total Variation) 반노름의 도출에 초점을 맞춘다. 구체적으로, 새로운 반복적 기법인 '비용 전개(Cost Unrolling)'를 제안하며, 이 기법을 통해 어려운 L1 평활성 제약 조건에 대해 미분 가능한 대체 함수를 도출한다. 학습 과정에서 보다 정확한 경사를 생성함으로써, 아키텍처를 변경하거나 계산 복잡도를 증가시키지 않고도, 모델의 수렴 성능을 향상시켜 더 정교한 예측이 가능하게 한다. 본 방법을 비감독 광류(optical flow) 추정 작업에 적용하여 검증하였다. 잘 알려진 기준 모델의 학습 과정에서 L1 평활성 제약 조건을 본 연구의 전개된 비용 함수로 대체함으로써, MPI Sintel 및 KITTI 2015 비감독 광류 벤치마크에서 모두 개선된 성능을 보고하였다. 특히, 평활성 제약 조건이 주도적인 부분인 가림 영역의 에이전트 평균 오차(EPE)는 최대 15.82%까지 감소하였으며, 이는 더 선명한 운동 경계를 탐지할 수 있음을 의미한다.