단안 깊이 추정에서 비지도 도메인 적응을 위한 일관성 정규화

단안 깊이 추정에서, 최근 대량의 레이블이 붙은 이미지 기반 깊이 데이터셋에 대한 의존도를 완화하기 위해 비지도 도메인 적응이 탐구되고 있다. 그러나 이는 여러 모델을 훈련하거나 복잡한 훈련 프로토콜을 요구한다는 단점이 있다. 본 연구에서는 소스 도메인의 진정값 레이블만 접근 가능하다는 가정 하에, 단안 깊이 추정을 일관성 기반 반지도 학습 문제로 재정의한다. 이를 위해, 소스 도메인의 예측을 정규화하면서도 레이블이 없는 타겟 샘플의 다양한 증강된 시각에 걸쳐 변형 일관성을 강제하는 쌍체 손실 함수를 제안한다. 특히 본 방법은 간단하면서도 효과적이며, 기존 연구와 달리 단일 모델만 훈련하면 되는 점이 특징이다. 실험에서는 KITTI와 NYUv2와 같은 표준 깊이 추정 벤치마크를 활용하여 기존 접근법과 비교해 최신 기술 수준의 성능을 입증하였다. 더불어, 다양한 제거 연구(ablation studies)를 통해 제안 방법의 단순성과 효과성을 분석하였다. 코드는 \url{https://github.com/AmirMaEl/SemiSupMDE}에서 공개되어 있다.