단안 깊이 추정을 위한 전역-국지 경로 네트워크: 수직 컷딥

단일 이미지에서의 깊이 추정은 컴퓨터 비전 분야에서 다양한 응용이 가능한 중요한 과제이며, 합성곱 신경망(Convolutional Neural Networks)의 발전과 함께 급속히 성장해 왔다. 본 논문에서는 단안 깊이 추정을 위한 새로운 구조와 학습 전략을 제안하여 네트워크의 예측 정확도를 더욱 향상시키고자 한다. 우리는 전역적 맥락을 포착하고 전달하기 위해 계층적 트랜스포머 인코더를 도입하였으며, 국소적 연결성을 고려하면서도 가볍지만 강력한 디코더를 설계하여 추정된 깊이 맵을 생성한다. 제안하는 선택적 특징 융합 모듈을 통해 다중 해상도의 국소적 특징과 전역적 디코딩 스트림 간에 연결 경로를 구축함으로써, 네트워크는 두 가지 표현을 통합하고 세밀한 세부 정보를 복원할 수 있다. 또한 제안된 디코더는 기존에 제안된 디코더들보다 훨씬 낮은 계산 복잡도로 더 우수한 성능을 보여준다. 더불어 깊이 추정에서 중요한 관측 결과를 활용하여 깊이 전용 증강 기법을 개선함으로써 모델의 성능을 더욱 강화하였다. 제안한 네트워크는 도전적인 깊이 데이터셋인 NYU Depth V2에서 최신 기술(SOTA) 수준의 성능을 달성하였다. 광범위한 실험을 통해 제안된 방법의 타당성과 효과성을 검증하였다. 마지막으로, 다른 비교 모델들에 비해 본 모델은 더 우수한 일반화 능력과 강건성(로버스트성)을 보였다.