자기지도 단안 깊이 추정의 잠재적 능력 탐구

자기지도 학습 방법은 주석 비용이 낮고 잠재력이 크다는 장점으로 인해 단안 깊이 추정 분야에서 점점 더 중요한 역할을 하고 있다. 감독 학습 방법과의 성능 격차를 좁히기 위해 최근 연구들은 세분화된 세분화(segmentation)와 같은 추가 제약 조건을 활용하고 있다. 그러나 이러한 방법들은 모델의 부담을 불가피하게 증가시킨다. 본 논문에서는 이와 같은 비용 증가 없이도 자기지도 학습 기반 단안 깊이 추정의 잠재적 성능을 극대화할 수 있음을 이론적 및 실증적으로 입증한다. 구체적으로 다음과 같은 세 가지 기여를 제안한다. (1) 수직 이미지 위치 외의 다양한 시각적 신호를 탐색하도록 모델을 유도하는 새로운 데이터 증강 기법인 ‘데이터 그라프팅(Data Grafting)’, (2) 본 연구에서 제안한 새로운 후처리 기법인 ‘선택적 후처리(Selective Post-processing)’를 통해 생성된 자기-디스틸레이션 레이블을 기반으로 학습하는 탐색적 자기-디스틸레이션 손실, (3) 인코더에 깊이 추정 작업에 특화된 능력을 부여하고 모델의 표현력을 강화하기 위해 설계된 전체 규모의 네트워크. 광범위한 실험 결과는 제안한 기법들이 기준 모델에 대해 성능을 크게 향상시키면서도 계산 부담은 오히려 감소함을 보여주며, 이를 통해 개발한 모델인 EPCDepth는 추가 제약 조건에 의해 학습된 이전 최고 성능 모델들조차도 초월함을 입증하였다.