암시적 신경 표현(Implicit Neural Representation, INR) 기반 SLAM은, 신경 네트워크의 가중치 자체가 지도를 나타내기 때문에 재매핑이 필요할 경우, 후속 학습(post-training)을 수행하기 위해 모든 키프레임을 메모리에 저장해야 한다는 중대한 문제가 있다. 이를 해결하기 위해, 선행 연구에서는 신경 네트워크의 가중치를 변경하지 않고 INR 기반 지도를 수정하는 방법을 제안하였다. 그러나 이러한 접근법은 메모리 효율이 낮고 공간 복잡도가 증가하는 한계를 가진다. 본 논문에서는 신경 네트워크의 가중치를 후속 학습할 필요가 없고, 또한 필요한 저장 공간 비용이 낮은 INR 기반 지도에 대한 재매핑 방법을 제안한다. 신경 네트워크 함수로 정의된 지도처럼 함수 수정 문제는, 함수의 정의역(domain)을 변환하는 것으로 볼 수 있다. 함수 정의역 변환을 활용하여, 후-최적화(post-optimization) 정의역과 전-최적화(pre-optimization) 정의역 사이의 변환 함수를 식별함으로써 INR 기반 지도를 갱신하는 방법을 제안한다. 아울러 후-최적화와 전-최적화 정의역 간 변환이 일대다(one-to-many) 관계를 형성하지 않는 경우를 방지하기 위해, 시간적 정의역을 도입하고 이에 대응하여 공간 좌표 변환 함수를 찾는 방법을 제안한다. INR 기반 기법들에서의 평가는, 제안한 방법이 기존 재매핑 접근법에 비해 유의하게 적은 메모리만을 요구하면서도 지도를 효과적으로 갱신함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.