초록
최근의 최첨단(SOTA) 광흐름 모델들은 전통적인 알고리즘을 모방하기 위해 유한 단계의 순환 업데이트 연산을 사용하여 안정적인 흐름 추정으로의 반복적 개선을 유도한다. 그러나 이러한 RNN 구조는 큰 계산 및 메모리 오버헤드를 수반하며, 안정적인 추정을 직접 모델링하도록 학습되지 않는다. 이로 인해 수렴 성능이 낮아져 성능 저하를 겪는다. 이러한 단점을 극복하기 위해, 우리는 심층 평형(DEQ) 흐름 추정기라는 새로운 접근법을 제안한다. 이 방법은 임의의 블랙박스 솔버를 사용하여 은닉층의 무한 단계 고정점으로서 흐름을 직접 해석하며, 이 고정점을 분석적으로 미분함으로써 $O(1)$의 학습 메모리만을 요구한다. 이 은닉 깊이 기반 접근법은 특정 모델 구조에 의존하지 않으며, 다양한 SOTA 흐름 추정 모델 설계에 적용 가능하다. DEQ 흐름 추정기의 사용을 통해 고정점 재사용 및 근사적 기울기 등을 활용하여 흐름을 더 빠르게 계산할 수 있으며, 순환 대비 학습 메모리 사용량을 4~6배 줄일 수 있고, 동일한 계산 예산 하에서도 더 우수한 성능을 달성할 수 있다. 또한, DEQ 모델에 일반적으로 존재하는 장기적 도전 과제를 해결하기 위해, 새로운 희소 고정점 보정 방식을 제안한다. 다양한 실제 환경에서 본 연구 방법을 검증한 결과, Sintel 및 KITTI 데이터셋에서 기존 SOTA 방법을 개선하면서도 계산 및 메모리 효율성이 크게 향상됨을 확인하였다.