초록
호모그래피 추정은 많은 컴퓨터 비전 작업에서 필수적인 단계로 여겨진다. 그러나 기존의 접근 방식은 조도 변화와/또는 더 큰 시점 변화에 대해 충분히 강건하지 못하다. 본 논문에서는 비지도 학습 기반의 호모그래피 추정을 위한 양방향 은닉 호모그래피 추정(biHomE) 손실 함수를 제안한다. biHomE는 원본 시점에서 왜곡된 이미지와 대응되는 목적지 시점의 이미지 간의 특징 공간 내 거리를 최소화한다. 본 연구에서는 고정된 사전 학습된 특징 추출기(Feature Extractor)를 사용하며, 프레임워크 내에서 학습 가능한 유일한 구성 요소는 호모그래피 네트워크이므로, 호모그래피 추정을 표현 학습(Representation Learning)에서 효과적으로 분리할 수 있다. 또한 실제 환경에서의 조도 변화를 보다 잘 반영하기 위해 합성 COCO 데이터셋 생성 과정에 추가적인 광학적 왜곡 단계를 도입한다. 실험 결과, biHomE는 합성 COCO 데이터셋에서 최고 수준의 성능을 달성하였으며, 이는 감독 학습 기반 접근법과 비교해도 유사하거나 더 우수한 성능을 보였다. 더불어, 기존 방법들과 비교해 본 연구의 접근법이 조도 변화에 대해 더욱 강건함을 실험적으로 입증하였다.