이중 수준의 노이즈 있는 대응을 이용한 그래프 매칭

본 논문에서는 그래프 매칭(GM)에서 흔히 존재하나 새로운 문제인 이중 수준의 노이즈 대응(Bi-level Noisy Correspondence, BNC)을 연구한다. BNC는 노드 수준의 노이즈 대응(Node-level Noisy Correspondence, NNC)과 엣지 수준의 노이즈 대응(Edge-level Noisy Correspondence, ENC)을 포함한다. 간단히 말해, 한편으로는 이미지 간의 인식 가능성 저하와 시점 차이로 인해 일부 키포인트가 오프셋과 혼동을 겪으며 부정확하게 애너테이션되는 것이 불가피하며, 이로 인해 두 관련 노드 간의 대응이 일치하지 않게 되어 NNC가 발생한다. 다른 한편으로는 노이즈가 있는 노드-노드 대응이 엣지-엣지 대응을 추가로 오염시켜 ENC를 초래한다. 이러한 BNC 문제에 대응하여, 본 연구는 모멘텀 증류(Contrastive Matching with Momentum Distillation, COM-MON)라는 새로운 방법을 제안한다. 특히, 제안된 방법은 그래프 매칭에 특화된 이차 대비 학습 패러다임을 통해 노드-노드 및 엣지-엣지 간의 상관관계를 보다 효과적으로 탐색할 수 있는 강건한 이차 대비 손실(robust quadratic contrastive loss)을 갖는다. 이는 다음과 같은 장점을 제공한다: i) 그래프 매칭에 맞춤형으로 설계된 이차 대비 학습 프레임워크를 통해 노드-노드 및 엣지-엣지 간의 상관관계를 더욱 효과적으로 탐색함; ii) 모멘텀 티처(Momentum Teacher)에 의해 추정된 신뢰도를 기반으로 노이즈 있는 할당을 적응적으로 처벌함. 제안된 모델은 3개의 실제 데이터셋에서 실시한 광범위한 실험을 통해 12개의 경쟁적 기준 모델들과 비교하여 뛰어난 강건성을 입증하였다. 코드는 https://github.com/XLearning-SCU/2023-ICCV-COMMON 에서 공개되어 있다.