DS-Depth: 복합 비용 볼륨을 통한 동적 및 정적 깊이 추정

자기지도형 단안 깊이 추정 방법은 일반적으로 정적 환경에서 연속 프레임 간의 기하학적 관계를 포착하기 위해 재투영 오차(reprojection error)에 의존한다. 그러나 이러한 가정은 시나리오 내 동적 객체에서는 성립하지 않으며, 이로 인해 시점 합성 단계에서 특징 불일치(feature mismatch) 및 가림(octusion)과 같은 오류가 발생하여 생성된 깊이 맵의 정확도가 크게 저하될 수 있다. 이 문제를 해결하기 위해 우리는 움직이는 객체를 설명하기 위해 잔차 광학 흐름(residual optical flow)을 활용하는 새로운 동적 비용 볼륨(dynamic cost volume)을 제안한다. 이는 이전 연구에서 사용된 정적 비용 볼륨에서 잘못된 가림 영역을 개선함으로써 성능을 향상시킨다. 그러나 동적 비용 볼륨은 불가피하게 추가적인 가림과 노이즈를 생성하게 되므로, 정적 비용 볼륨과 동적 비용 볼륨이 서로 보완할 수 있도록 하는 융합 모듈(fusion module)을 설계하여 이를 완화한다. 즉, 정적 비용 볼륨에서 발생한 가림은 동적 비용 볼륨을 통해 정밀화되고, 동적 비용 볼륨에서 발생한 오류 정보는 정적 비용 볼륨을 통해 제거된다. 또한, 저해상도에서의 광학적 오차의 부정확성을 줄이기 위해 피라미드 정수 손실(pyramid distillation loss)을 제안하고, 가림 영역에서 큰 기울기를 가진 흐름 방향 문제를 완화하기 위해 적응형 광학적 오차 손실(adaptive photometric error loss)을 도입한다. 제안된 모델은 KITTI 및 Cityscapes 데이터셋에서 광범위한 실험을 수행하였으며, 그 결과 기존에 발표된 자기지도형 단안 깊이 추정 기준 모델들을 모두 초과하는 성능을 입증하였다.