초록
최신의 광류 추정을 위한 신경망 모델은 픽셀 단위의 이동을 정확하게 표현하기 위해 고해상도에서 밀도 높은 상관 볼륨(корреляционный объем)을 요구한다. 비록 밀도 높은 상관 볼륨이 정확한 추정에 유용한 정보를 제공하지만, 그로 인해 발생하는 높은 계산 부담과 메모리 사용은 모델의 효율적인 학습 및 배포를 방해한다. 본 논문에서는 밀도 높은 상관 볼륨 표현이 과잉 정보를 포함하고 있으며, 이 볼륨 내 일부 요소만으로도 정확한 광류 추정이 가능함을 보여준다. 이러한 관찰을 바탕으로, 하나의 특징 맵 내 각 특징 벡터에 대해 다른 특징 맵에서 k개의 가장 가까운 매칭을 직접 계산하여 희소 데이터 구조에 저장하는 대안적인 이동 표현 방식인 '희소 상관 볼륨(Sparse Correlation Volume, SCV)'을 제안한다. 실험 결과, 기존의 밀도 높은 상관 볼륨 기반 접근법과 비교하여 본 방법은 계산 비용과 메모리 사용을 크게 줄이면서도 높은 정확도를 유지함을 확인하였다. 코드는 https://github.com/zacjiang/scv 에 공개되어 있다.