RNNPose: 강건한 대응 필드 추정과 자세 최적화를 통한 순환 6-DoF 객체 자세 정밀화

단안 이미지에서 6-DoF 물체 자세 추정은 도전적인 과제이며, 고정밀 추정을 위해서는 일반적으로 사후 보정 절차가 필요하다. 본 논문에서는 오차가 있는 초기 자세 및 부분적 가림 현상에 대해 강건한 특성을 가지는 순환 신경망(RNN) 기반의 물체 자세 보정 프레임워크를 제안한다. 순환 반복 과정에서 물체 자세 보정은 렌더링된 이미지와 관측된 이미지 사이의 추정된 대응 필드 기반의 비선형 최소제곱 문제로 공식화된다. 이 문제는 엔드투엔드 학습이 가능한 미분 가능한 레벤버그-마르카르트(LM) 알고리즘을 통해 해결된다. 각 반복 단계에서 대응 필드 추정과 자세 보정이 교차하여 수행되어 물체 자세를 복원한다. 또한, 가림 현상에 대한 강건성을 향상시키기 위해 3D 모델과 관측된 2D 이미지의 학습된 서술자 기반의 일관성 검사 메커니즘을 도입하여 자세 최적화 과정에서 신뢰할 수 없는 대응 관계에 대해 가중치를 낮춘다. LINEMOD, Occlusion-LINEMOD, YCB-Video 데이터셋에 대한 광범위한 실험을 통해 제안한 방법의 효과성을 검증하였으며, 최신 기술 수준의 성능을 입증하였다.