초록
단일 카메라 RGB 기반의 3D 자세 및 형태 추정에서 오염 및 절단 등의 요인으로 인해 여러 가지 해가 가능할 수 있다. 본 연구는 데이터 분포와 모델 분포 간의 쿨백-라이블러 발산(Kullback-Leibler divergence, KLD)을 최적화함으로써 다중 가설 확률적 프레임워크를 제안한다. 제안된 공식화는 기존 연구에서 간과되었던 다중 가설 간의 다양성과 자세 엔트로피 사이의 관계를 밝혀낸다. 포괄적인 평가를 위해 최적의 가설(Best Hypothesis, BH) 지표 외에도 가시성 정보를 고려하여 가설의 다양성을 평가한다. 또한 본 프레임워크는 레이블 친화적인 특성을 지니며, 예를 들어 가시적인 2D 키포인트만으로도 학습이 가능하다. 모호한 데이터셋과 실제 세계 데이터셋에 대한 실험을 통해, 본 방법이 다른 최신 다중 가설 추정 기법들에 비해 포괄적인 평가에서 우수한 성능을 보임을 입증하였다. 프로젝트 페이지는 https://gloryyrolg.github.io/MHEntropy 에서 확인할 수 있다.