초록
우리는 확률미분방정식(SDE) 기반의 아이디어가 컴퓨터 비전 분야의 일련의 문제 해결을 위한 기존 알고리즘에 새로운 수정을 유도할 수 있는지 탐구한다. 간략히 말해, 우리의 제안은 데이터 증강 및 군 등변성(group equivariance)을 위한 명시적 및 암시적 전략과 관련이 있지만, 특정 확률과정의 무한소 생성자(infinitesimal generator)를 추정하는 데 관한 SDE 분야의 최신 연구 결과로부터 도출된다. 만약 특정 응용 또는 작업의 요구사항과 우리가 효율적으로 다룰 수 있는 과정의 본질적 성질 및 행동 양식 사이에 일치가 존재할 경우, 기존의 네트워크 아키텍처에 거의 수정 없이 간단히 삽입할 수 있는 매우 간단하고 효율적인 레이어를 얻을 수 있다. 이 레이어는 추가 파라미터도 몇 개만 필요하다. 우리는 소수 샘플 학습(few-shot learning), 포인트 클라우드 트랜스포머(point cloud transformers), 심층 변분 세그멘테이션(deep variational segmentation) 등의 다양한 비전 과제에서 유망한 실험 결과를 제시하며, 효율성 또는 성능 향상을 입증하였다.