동적 환경에서 강건한 시각적 위치 결정을 위한 사전 지도 드롭아웃

단안 영상에서의 카메라 위치 추정은 오랫동안 해결되지 않은 문제였으나, 동적 환경에서의 강건성은 여전히 충분히 다뤄지지 않았다. 전통적인 기하학적 접근 방식과 비교할 때, 최근의 CNN 기반 방법들(예: PoseNet)은 조명 조건이나 시점 변화에 대해 높은 신뢰성을 보여주고 있지만, 다음과 같은 한계를 가지고 있다. 첫째, 전경의 움직이는 물체에 대해 명시적인 처리가 이루어지지 않아 동적 환경에서는 성능이 저하되고 불안정해진다. 둘째, 각 이미지에 대한 출력이 불확실성 측정 없이 단일 점 추정치에 그친다. 본 논문에서는 기존의 CNN 기반 자세 회귀기들에 일반적으로 적용 가능한 프레임워크를 제안한다. 이 프레임워크는 동적 환경에서의 강건성을 향상시키는 데 목적이 있다. 핵심 아이디어는 사전 지식을 기반으로 한 드롭아웃 모듈과 자기 주의(self-attention) 모듈의 결합으로, 훈련 및 추론 과정에서 CNN이 전경 객체를 무시하도록 유도하는 것이다. 또한 드롭아웃 모듈은 자세 회귀기가 여러 가지 가정을 출력할 수 있도록 하여 자세 추정의 불확실성을 정량화하고, 이후의 불확실성 인지 자세 그래프 최적화 과정에 활용함으로써 추가적인 강건성을 확보할 수 있다. 제안한 방법은 RobotCar 데이터셋에서 평균 정확도 9.98m/3.63deg를 달성하였으며, 기존 최고 성능 기법 대비 각각 62.97%, 47.08% 향상된 성능을 보였다. 본 논문의 구현 소스 코드는 https://github.com/zju3dv/RVL-dynamic 에 공개되어 있다.