자기지도 단안 깊이 추정(SSMDE)은 단안 이미지의 조밀한 깊이 지도를 예측하는 것을 목표로 하며, RGB 이미지 시퀀스로부터 깊이를 학습함으로써 정답 깊이 라벨의 필요성을 없앤다. 이러한 접근은 지도학습 방식에 비해 데이터 획득을 단순화하지만, 램버트 반사 가정에 위배되는 반사 표면의 경우에는 어려움을 겪어 그러한 표면에서 부정확한 학습이 발생한다. 이 문제를 해결하기 위해, 서로 다른 시점 간 카메라 기하정보에 의해 유도되는 방식으로 픽셀 수준에서 반사 영역을 식별하기 위해 트리플릿 마이닝을 활용하는 SSMDE를 위한 새로운 학습 전략을 제안한다. 제안된 반사 인지 트리플릿 마이닝 손실은 국소적인 반사 영역에서 부적절한 광도(photometric) 오차 최소화를 특별히 페널티로 부여하는 한편, 비반사 영역에서는 깊이 정확도를 보존한다. 또한 반사 인지 지식 증류 방법을 도입하여 학생 모델이 반사 및 비반사 영역으로부터 픽셀 수준의 지식을 선택적으로 학습할 수 있도록 한다. 그 결과 영역 전반에 걸쳐 견고한 깊이 추정이 가능해진다. 다수의 데이터셋에서의 평가 결과는 본 방법이 반사 표면에서 깊이 품질을 효과적으로 향상시키며, 최신 SSMDE 기준선보다 성능이 우수함을 보여준다.

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