3D-PL: 3D 인지 편향 허위 레이블링을 활용한 도메인 적응 깊이 추정

단안 깊이 추정을 위한 실제 데이터의 정답(ground truth) 확보는 쉽지 않기 때문에, 보통 감독 학습이 가능한 합성 데이터를 활용한 도메인 적응 기법이 일반적으로 사용된다. 그러나 실제 데이터로부터의 감독 정보가 부족함으로 인해 여전히 큰 도메인 간 차이가 발생할 수 있다. 본 논문에서는 실제 데이터로부터 신뢰할 수 있는 가짜 정답(가짜 지도값, pseudo ground truths)을 생성함으로써 직접적인 지도 정보를 제공하는 도메인 적응 프레임워크를 제안한다. 구체적으로, 가짜 레이블링을 위한 두 가지 메커니즘을 제안한다. 첫째, 동일한 콘텐츠를 가진 이미지에 대해 스타일만 다르게 한 경우의 깊이 예측 일관성(consistency)을 측정함으로써 2차원 기반 가짜 레이블을 생성하는 방법이다. 둘째, 3차원 공간에서 깊이 값을 보완하는 포인트 클라우드 보완 네트워크(point cloud completion network)를 활용하여 3차원 인식 기반의 가짜 레이블을 생성하는 방식으로, 장면의 더 풍부한 구조적 정보를 제공함으로써 보다 신뢰도 높은 가짜 레이블을 정교화하고 생성할 수 있다. 실험을 통해 제안한 가짜 레이블링 방법이 다양한 설정(예: 학습 시 스테레오 쌍 사용)에서 깊이 추정 성능을 향상시킴을 보였다. 또한, 실제 데이터셋에서 제안된 방법은 여러 최첨단 비감독 도메인 적응 기법들과 비교하여 유리한 성능을 보였다.