단안 및 스테레오 기반 깊이 추정의 강인화와 일반성 분석 연구

Robustness and generality analysis for monocular and stereo depth estimation

연구 내용

깊이 추정 모델의 백본 일반성과 바이어스를 분석하고, 반사 표면에서 발생하는 광도 일관성 한계를 내재 영상 분해와 자기지도 학습으로 완화하는 연구

깊이 추정은 자율주행과 로봇 인식에서 핵심 선행 정보이며, 학습 데이터 분포가 바뀌면 성능이 저하될 수 있습니다. 연구실은 단안 깊이 추정에서 CNN과 Transformer 백본의 표현 특성이 텍스처·형상 바이어스를 어떻게 유도하는지 내부 표현을 분석하며 일반화 성능을 점검합니다. 또한 반사 표면에서는 Lambertian 가정 기반 photometric consistency loss가 오류를 유발하는 문제를 해결하기 위해 intrinsic image decomposition을 자기지도 깊이 추정과 결합합니다. 반사 영역을 분해 단계에서 식별하고 깊이 학습에 유해한 그래디언트를 배제하며, pseudo-depth 생성과 지식 증류로 학생 모델 성능을 보강합니다. 더불어 컬러·모노크롬 스테레오 매칭 연구를 통해 다양한 입력 조건에서의 정합 품질을 개선하는 방향으로 확장합니다.

관련 프로젝트

2건

연구 흐름

초기에는 단안 깊이 추정과 관련된 네트워크 구성 요소와 학습 기반 방법을 정리하고, 스테레오 매칭을 포함한 관측 기반 깊이 추정의 구현 가능성을 확보했습니다. 이후에는 2023년 연구에서 CNN과 Transformer의 표현이 텍스처·형상 바이어스를 형성하는 과정을 데이터 편향 관점에서 체계적으로 분석하고, 분포 변화 하에서의 일반화를 비교하는 연구로 확장했습니다. 2025년에는 반사 표면 환경에서 자기지도 깊이 추정의 광도 일관성 오류를 intrinsic image decomposition과의 동시 학습으로 완화하는 프레임워크를 제안했습니다. 병행하여 다중카메라 기반 도메인 적응 프로젝트를 통해 환경 변화에 대한 견고한 시각인지 학습을 진행했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

반사 표면에서도 안정적인 단안 깊이 추정
도메인 적응 기반 깊이 추정 모델의 일반화
텍스처·형상 바이어스 진단을 통한 모델 선택
컬러·모노크롬 조건에서의 스테레오 정합
자기지도 학습 기반 대규모 깊이 데이터 대체
로봇 내비게이션용 거리 정보 생성
환경 변화에 강인한 멀티캠 시각인지
깊이 추정의 불확실성 저감 설계
합성 데이터 기반 편향 제어 학습
깊이 기반 3차원 장면 복원 입력 제공