패턴-구조 확산을 통한 다중 작업 학습

과제 내부 및 과제 간에 패턴 구조가 고주파로 반복되는 관측에 착안하여, 공동 깊이 추정, 세그멘테이션 및 표면 법선 예측을 위해 과제 수준 공간에서 과제 특화 및 과제 간 패턴 구조를 탐색하고 전파하기 위한 패턴 구조 확산(Pattern-Structure Diffusion, PSD) 프레임워크를 제안한다. 국소적 패턴 구조를 표현하기 위해 이를 소규모 그래프릿(graphlets)으로 모델링하고, 내과제 내 및 과제 간 두 가지 방식으로 전파한다. 내과제 PSD에서는 패턴 구조의 국소성 한계를 극복하기 위해 이웃에 대한 고차원 재귀적 집계를 활용하여 전파 범위를 곱셈적으로 확장함으로써, 장거리 패턴도 내과제 공간 내에서 전파될 수 있도록 한다. 과제 간 PSD에서는 동일한 공간 위치에 해당하는 대응 구조 간의 패턴 구조 쌍의 일치도를 기반으로, 서로 다른 과제에서의 해당 구조를 자신에게 상호 전이한다. 최종적으로 내과제 및 과제 간 패턴 구조가 과제 수준의 패턴 간에 공동으로 확산되며, 엔드투엔드(end-to-end) PSD 네트워크로 통합되어 다중 과제 학습 성능을 향상시킨다. 두 가지 널리 사용되는 벤치마크에서 실시한 광범위한 실험을 통해 제안하는 PSD가 더욱 효과적이며, 기존 최고 수준의 성능 또는 경쟁 가능한 결과를 달성함을 입증하였다.