그래프 지도형 MLP-Mixer를 이용한 스키마 기반 인간 운동 예측

최근 몇 년간 그래프 컨볼루션 네트워크(GCNs)는 인간의 운동 예측 분야에서 널리 활용되어 왔지만, 여전히 만족스럽지 않은 성능을 보이고 있다. 최근에는 비전 작업에 처음 개발된 MLP-Mixer가 인간의 운동 예측 분야로 확장되어 GCNs의 유망한 대안으로 부상하고 있으며, 이는 GCNs보다 더 뛰어난 성능과 효율성을 동시에 달성하고 있다. 그러나 GCNs는 노드와 엣지로 구성된 그래프 형태로 인체 골격의 뼈-관절 구조를 명시적으로 표현함으로써 이를 효과적으로 포착할 수 있는 반면, MLP-Mixer는 완전 연결 계층에 의존하므로 인체 골격의 그래프 구조를 명시적으로 모델링할 수 없다는 한계가 있다. 이러한 MLP-Mixer의 한계를 극복하기 위해, 본 연구에서는 기존 MLP-Mixer 아키텍처에 그래프 구조를 모델링할 수 있는 능력을 부여하는 새로운 접근법인 \textit{Graph-Guided Mixer}를 제안한다. 그래프 가이던스를 도입함으로써, 본 연구의 \textit{Graph-Guided Mixer}는 인체 골격의 그래프 표현 내에 존재하는 특정 연결 패턴을 효과적으로 포착하고 활용할 수 있다. 본 논문에서는 먼저 기존 연구에서 탐색되지 않은 MLP-Mixer와 GCN 사이의 이론적 연결 고리를 밝히고, 이 이론적 기반 위에서 제안된 \textit{Graph-Guided Mixer}의 구조를 설명하며, 기존 MLP-Mixer 아키텍처가 어떻게 그래프 구조의 가이던스를 통합할 수 있도록 재설계되었는지를 제시한다. 이후 Human3.6M, AMASS, 3DPW 데이터셋을 대상으로 광범위한 평가를 수행한 결과, 제안한 방법이 최신 기술 수준(SOTA)의 성능을 달성함을 입증하였다.