우리는 Perfecting Depth라고 명명한 센서 깊이 향상을 위한 새로운 2단계 프레임워크를 제안한다. 이 프레임워크는 확산 모델의 확률적(stochastic) 특성을 활용하여 기하학적 단서를 보존하면서 신뢰할 수 없는 깊이 영역을 자동으로 탐지한다. 첫 번째 단계(확률적 추정)에서 이 방법은 신뢰할 수 없는 측정값을 식별하고, 학습-추론 도메인 간 차이를 활용하여 기하학적 구조를 추론한다. 두 번째 단계(결정론적 정제)에서는 첫 번째 단계로부터 도출된 불확실성 맵을 사용하여 구조적 일관성과 픽셀 수준 정확성을 강제한다. 확률적 불확실성 모델링과 결정론적 정제를 결합함으로써, 본 방법은 향상된 신뢰성을 갖춘 조밀한(밀집) 오류 없는 깊이 맵을 산출한다. 실험 결과는 다양한 실제 환경에서 그 효과를 입증한다. 또한 이론적 분석, 여러 실험, 정성적 시각화는 그 견고성과 확장성을 검증한다. 본 프레임워크는 센서 깊이 향상을 위한 새로운 기준(baseline)을 제시하며, 자율주행, 로보틱스, 몰입형 기술에 대한 잠재적 응용 가능성을 가진다.

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