계층적 정규화를 통한 강건한 단안 깊이 추정

본 논문에서는 심층 신경망을 활용한 단안 깊이 추정 문제를 다룬다. 다양한 데이터셋 소스를 활용한 심층 단안 추정 모델의 훈련을 가능하게 하기 위해 최신 기법들은 아핀 불변 깊이 표현을 생성하기 위해 이미지 수준의 정규화 전략을 채택하고 있다. 그러나 이미지 수준의 정규화를 통한 학습은 이미지 내 전반적인 통계, 예를 들어 장면의 구조와 같은 픽셀 표현 간의 관계에 주로 초점을 맞추며, 세부적인 깊이 차이 정보는 간과되기 쉽다. 본 논문에서는 공간 정보와 깊이 분포를 기반으로 계층적으로 깊이 표현을 정규화하는 새로운 다중 스케일 깊이 정규화 방법을 제안한다. 기존의 전역 이미지 수준에서만 적용되는 정규화 전략과 비교하여, 제안하는 계층적 정규화 방법은 세부적인 정보를 효과적으로 보존하고 정확도를 향상시킬 수 있다. 우리는 깊이 도메인과 공간 도메인에서 각각 계층적 정규화 맥락을 정의하는 두 가지 전략을 제시한다. 광범위한 실험을 통해 제안하는 정규화 전략이 기존 방법을 뛰어넘는 성능을 보이며, 다섯 개의 제로샷 전이 기준 데이터셋에서 새로운 최고 성능을 달성함을 확인하였다.