MonoIndoor: 실내 환경을 위한 자기지도 학습 단안 깊이 추정의 좋은 실천 방안으로

실내 환경에서의 자기지도(depth) 추정은 외부 환경과 비교하여 적어도 다음 두 가지 측면에서 더 큰 도전 과제를 안고 있다. (i) 실내 시퀀스의 깊이 범위는 서로 다른 프레임 간에 크게 달라지며, 이로 인해 깊이 네트워크가 일관된 깊이 신호를 유도하기 어려워진다. 반면 외부 환경에서는 카메라가 주로 하늘을 바라보기 때문에 최대 거리가 거의 일정하게 유지된다. (ii) 실내 시퀀스는 훨씬 더 많은 회전 운동을 포함하고 있으며, 이는 자세 네트워크에 어려움을 초래한다. 반면 외부 시퀀스의 운동은 주로 평행 이동(translation)으로 이루어지며, 특히 KITTI와 같은 자동차 주행 데이터셋에서는 더욱 두드러진다. 본 논문에서는 이러한 도전 과제에 특별한 주목을 기울이고, 실내 환경에서 자기지도 단안(depth) 추정 성능을 향상시키기 위한 일련의 우수한 실무 방법을 정리하였다. 제안된 방법은 주로 두 가지 새로운 모듈로 구성되며, 각각은 앞서 언급된 도전 과제를 해결하기 위해 설계되었다. 즉, 깊이 분해 모듈(depth factorization module)과 잔차 자세 추정 모듈(residual pose estimation module)이다. 각 모듈의 효과성은 철저한 제거 실험(ablation study)을 통해 입증되었으며, EuRoC, NYUv2, 7-scenes 세 가지 실내 데이터셋에서 최신 기술 수준의 성능을 보여주었다.