이질적인 2D 이미지 컬렉션에서의 공동 딥 다중 그래프 매칭 및 3D 기하학 학습

그래프 매칭은 그래프의 정점 간에 대응 관계를 설정함으로써 정점 및 간의 속성이 일치하도록 하는 것을 목표로 한다. 최근에는 깊이 있는 그래프 매칭 설정을 기반으로 이미지 키포인트 간의 대응 관계를 찾기 위한 다양한 학습 기반 방법들이 제안되었다. 이러한 접근 방식들은 주로 정점과 간의 속성 학습에 초점을 맞추지만, 2차원 이미지에 나타난 3차원 객체의 3차원 기하학적 구조를 완전히 무시한다. 본 연구에서는 비균질한 이미지 컬렉션—즉, 동일 카테고리의 서로 다른 객체 인스턴스를 담고 있는 이미지 집합—으로부터 변형 가능한 3차원 기하학적 모델을 그래프 신경망을 활용하여 학습할 수 있는 학습 가능한 프레임워크를 제안함으로써 이 격차를 메운다. 실험을 통해 제안한 방법이 정확도와 사이클 일관성 오차 측면에서 최근의 학습 기반 그래프 매칭 접근 방식들을 모두 초월함을 입증하였으며, 동시에 2차원 이미지에 나타난 객체들의 기저 3차원 기하 구조를 복원할 수 있음을 보였다.