PyTorchKR Papers

최신 논문

총 2,547편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.03209v1cs.CV

3D 기반 모델로 초기화한 고속 3D 가우시안 스플래팅

Fast 3D Foundation Model Initialized Gaussian Splatting

본 논문은 전통적인 Structure-from-Motion(SfM) 없이 고품질 3D 가우시안 스플래팅(3DGS) 재구성을 수행하는 고속 방법을 제안한다. 제안 방식은 카메라 포즈와 포인트 클라우드 초기화에 3D 기반 모델(3DFM)을 활용하고, 깊이 가이드 손실 함수를 사용하여 카메라 포즈와 가우시안 프리미티브를 공동 최적화한다. 이를 통해 50~60장의 입력 뷰만으로도 거친 초기화에서 빠른 수렴이 가능하다. 희소 뷰 시나리오에서 재구성 품질을 더욱 향상시키기 위해, 기반 모델의 깊이 가이드 감독과 함께 MLP 기반 포즈 정제 모듈을 도입한다. Mip-NeRF 360, Tanks and Temples, RobustNeRF에 대한 광범위한 실험을 통해 제안 방법이 장면당 약 3분의 학습 시간으로 경쟁력 있는 재구성 품질(PSNR 23.61 dB, LPIPS 0.19)을 달성함을 입증한다. 제안 방법은 기존 파이프라인에 비해 훨씬 짧은 시간 안에 바로 사용 가능한 3DGS 모델을 생성하여, 로보틱스, VR, 자율 주행과 같은 근실시간 응용에 적합하다.

arXiv:2607.03038v1cs.CV

OmniDS: 피시아이 카메라 전방위 깊이 추정을 위한 이중 스트림 컨텍스트 융합

OmniDS: Dual-Stream Context Fusion for Omnidirectional Depth from Fisheye Cameras

다중 피시아이 카메라 리그를 이용한 전방위 깊이 추정은 가시성 충돌로 인해 복잡해진다. 광폭 기선(wide baseline)은 카메라마다 동일 객체의 서로 다른 부분, 심지어 다른 면을 관측하게 만들어, 고정 투영 방식으로 이들 특징을 통합 등장방형(ERP) 표현으로 집계하면 폐색 경계 및 얇은 구조물 근처에서 모호한 매칭 근거가 발생한다. 기존 방법들은 신뢰도 낮은 뷰의 가중치를 줄여 이를 완화하지만, 컨텍스트 형성과 교차 뷰 융합이 여전히 고정된 피시아이-ERP 샘플링에 종속되어 있어 근본적인 불일치는 해소하지 못한다. 본 논문에서는 동적 컨텍스트 융합과 합의 기반 다중 뷰 유사도를 결합함으로써 경직된 집계 방식을 대체하는 반복적 깊이 정제 프레임워크 OmniDS를 제안한다. 이중 스트림 인코더는 기하학적 세부 정보를 위한 경량 CNN과 의미론적 사전(prior) 제공을 위한 고정된 DINOv3를 결합하며, 각 정제 단계에서 학습된 뷰 가중치와 기하학적 왜곡 바이어스를 적용한 변형 가능 교차 어텐션을 통해 특징을 ERP 공간으로 재투영한다. 동시에, 다중 뷰 합의 볼륨은 그룹별 상관관계와 특징 분산을 통해 카메라 간 전역 합의를 포착하며, 3D U-Net으로 정규화된다. 효율적인 배포를 위해 이중 스트림 표현을 단일 MobileNet 기반 인코더로 지식 증류한다. OmniDS는 OmniThings, OmniHouse, Sunny 벤치마크에서 최첨단 성능을 달성하는 동시에 경쟁력 있는 추론 속도를 유지한다. 프로젝트 페이지 및 코드는 https://parkchaesong.github.io/omnids 에서 확인할 수 있다.

arXiv:2607.02921v1cs.CV

R3D: 자아중심 웨어러블을 위한 정량적 3D 공간 추론

R3D: Quantitative 3D Spatial Reasoning for Egocentric Wearables

자아중심(egocentric) RGB-D 비디오에서의 정량적 3D 공간 추론은 차세대 웨어러블 어시스턴트의 핵심 역량이다. 그러나 기존 벤치마크는 (1) 자연스러운 자아중심 비디오, (2) 포즈 정보가 포함된 RGB-D 비디오 입력, (3) 도전적인 정량적 3D 공간 추론 Q&A를 다루는 어려움을 반영하지 못한다. 이 공백을 메우기 위해, 우리는 R3D-Bench(Reasoning in 3D)를 소개한다. 이는 Aria Digital Twin의 57개 자아중심 비디오 시퀀스를 기반으로 구축된 벤치마크로, 다중 선택, 거리 기반, 부피 추론 질문을 포함한 15가지 유형에 걸쳐 3,033개의 정량적 공간 추론 질문으로 구성된다. 이 데이터셋에서 강력한 기준선을 제시하기 위해, 우리는 모델에 무관한(model-agnostic) 공간 도구 호출 프레임워크인 R3D를 소개한다. 3D 정보를 모델의 입력 표현에 직접 임베딩하는 기존 접근 방식과 달리, R3D는 분할(segmentation) 및 깊이 기반 객체 표현을 사용하여 비디오로부터 3D 장면을 구성한다. 그리고 8개의 조합 가능한 공간 도구를 통해 이 정보를 대규모 언어 모델(LLM)에 제공한다. R3D-Bench에서 Qwen3-VL 235B를 활용한 R3D는 평균 상대 정확도 73.5%를 달성하여, 최고 깊이 활용 기준선(CuTR+Tools, 61.9%)과 최고 RGB 전용 기준선(Gemini 3 Flash, 46.5%)을 크게 상회한다.

arXiv:2607.02711v1cs.CV

RayTun3R: Online Camera Adaptation in 3D Foundation Models

DUSt3R, MASt3R, VGGT, $π^3$, Depth Anything 3와 같은 최근 3D 기반 모델들은 핀홀 이미지에서 강력한 피드포워드 깊이 및 포즈 추정을 제공하지만, 피시아이 카메라 기하학에서는 성능이 급격히 저하된다. 본 연구는 이러한 실패가 부분적으로 사전학습된 3D 기반 모델의 위치 인코딩에 내재된 핀홀 카메라 바이어스에 기인함을 보이고, 경량 카메라 적응 접근법인 RayTun3R을 제안한다. RayTun3R은 사전학습된 네트워크를 고정한 채 토큰 위치 및 카메라 기하학과 연관된 경량 구성요소만 적응시킨다. 이 방법은 절대적 위치 인코딩과 회전 위치 인코딩에 대한 매개변수 효율적인 잔차 보정을 학습하며, 잔여 핀홀 가정을 제거하는 매개변수 없는 토큰화 및 예측 그리드 좌표 보정을 함께 수행한다. 결과로 얻는 어댑터는 학습 가능한 매개변수가 10,752개에 불과하며, 기하학적 손실을 이용해 짧은 시간 구간에서 학습할 수 있다. 적응 후 RayTun3R은 추가적인 런타임 비용 없이 시퀀스의 나머지 프레임에 효과적으로 전이된다. 시야각이 $110^\circ$에서 $200^\circ$까지 다양한 피시아이 데이터셋에서, 본 어댑터는 적응되지 않은 모델 대비 회전 오차를 $2$~$12$배 감소시키고, 학습 가능한 매개변수를 약 $14$배 적게 사용하면서도 LoRA를 능가하며, 다중 뷰 추론 비용을 회피하면서도 적응 없는 기준선보다 포즈 성능을 향상시키고, 깊이 정확도에서도 경쟁력을 유지한다.

arXiv:2607.02568v1cs.CV

MAGE: 효율적인 모달리티 정렬과 적응형 기하 강화를 통한 뷰 가이드 포인트 클라우드 완성

MAGE: View-guided Point Cloud Completion with Efficient Modality Alignment and Adaptive Geometry Enhancement

뷰 기반 포인트 클라우드 완성은 단일 시점 이미지의 가이드를 받아 부분적인 포인트 클라우드로부터 완전한 3D 형상을 복원하는 것을 목표로 한다. 그러나 기존 방법들은 약한 모달리티 정렬과 제한적인 자체 기하 강화로 인해 성능이 제한되는 경우가 많다. 이러한 문제를 극복하기 위해, 우리는 뷰 가이드 포인트 클라우드 완성의 크로스 모달 기하 불일치를 주로 해결하고자 효율적인 모달리티 정렬과 적응형 기하 강화를 통합한 통합 기하 인식 프레임워크를 제안한다. 구체적으로, 공유 셀프 어텐션 트랜스포머와 크로스 모달리티 재구성 감독을 통합한 기하 인식 모달리티 정렬을 제안하며, 이는 3D 객체를 기술하는 공유 잠재 공간에서 이미지와 포인트 클라우드의 특징을 서로 가깝게 만드는 것을 목표로 한다. 전역 형상과 지역 기하 세부 정보의 인식을 강화하기 위해, 지역 기하 인식 어텐션 연산과 공간적으로 변화하는 특징 융합을 동시에 고려하는 적응형 기하 인식 셀프 어텐션 모듈을 제안한다. 또한, 형상의 지역 영역을 나타내는 앵커 포인트를 적절한 감독 하에 재구성하기 위해 기하 지각 앵커 정제 모듈을 적용하여 완성 성능을 더욱 향상시킨다. 합성 및 실세계 데이터셋 모두에서 수행한 광범위한 실험을 통해 우리 방법이 기존 방법들에 비해 우수한 성능을 달성함을 입증한다. 코드는 https://github.com/weizequan/MAGE 에서 제공될 예정이다.

arXiv:2607.02561v1cs.CV

이중 나선 액티브 지오메트리: 선택적 기권을 통한 LiDAR 앵커 기반 다중 뷰 깊이 추정

Double-Helix Active Geometry: LiDAR-Anchored Multi-View Depth with Selective Abstention

최근 아이폰에 탑재된 LiDAR 스캐너와 같은 소비자용 깊이 센서는 미터 단위의 거리를 제공하지만, 유효 범위가 짧고 반환 포인트가 희소하다. 우리는 DH-Active를 제시한다. 이는 경량의 학습 불필요(training-free) 지오메트리 백엔드로, 센서를 깊이의 유일한 소스가 아닌 미터 기준자(metric ruler)로 취급한다. 근거리 반환값은 PnP를 통해 두 뷰의 미터 단위 상대 포즈를 고정(anchor)하고, 유효한 깊이 반환값이 없는 시각적으로 추적 가능한 샘플은 해당 포즈 하에서 삼각측량된다. 시차/재투영 게이트(parallax/reprojection gate)는 지오메트리가 불량하게 조건화된 곳에서 추정을 강제하는 대신 명시적 홀(hole)과 선택적 점수를 남기며 기권(abstain)한다. 나선형 샘플링, 희소 역투영, 홀 분류체계를 포함하되 전처리 및 다중 뷰 복원을 제외한 핵심 프론트엔드는 CPU에서 중앙값 지연 시간 1.11ms로 동작하며(OpenCV, 14스레드 사용), 이는 우리의 타이밍 환경에서 GPU 기반 DINOv2-L 시각 브랜치보다 약 38배 빠르다. 두 개의 아이폰 캡처와 공개 벤치마크인 TUM RGB-D 및 ARKitScenes 전반에 걸쳐, 홀드아웃 깊이는 중앙값 상대 오차 1.4~6.7%로 복원된다. 2m 이내 반환값만을 스케일 설정에 사용하고 독립적인 레이저 스캔을 정답으로 사용하는 통제된 ARKitScenes 프로토콜에서, DH-Active는 평가 가능한 원거리 후보에 대해 씬 중앙값 기준 13.4% 상대 오차로 64.2%의 씬 중앙값 커버리지를 달성한다; 장치 궤적에서의 직접 삼각측량은 사용 불가 수준이다. 또한 우리는 테스트에서 실패한 대안들도 보고한다: 단일 프레임 초점 흐림(defocus), 고전적 포커스 스택 깊이, 초점 흐림-LiDAR 융합, 양호한 시각-관성 궤적 위의 점대점 ICP, 그리고 홀에 대한 어텐션 재샘플링. 12.6억 파라미터 학습 모델은 오라클 스케일 정렬 후 더 높은 정확도를 유지한다. 본 연구의 기여는 보다 한정적이다: 미터 단위 희소 깊이, 명시적 기권, 학습된 파라미터 없음, 그리고 밀리초 수준의 CPU 비용.

arXiv:2607.02554v1cs.CV

희소 시점 신경 재구성을 위한 신뢰도 인식 단안 깊이 지도학습

Reliability-Aware Monocular Depth Supervision for Sparse-View Neural Reconstruction

희소 시점 신경 재구성은 카메라가 좁은 전방 주행 궤적을 따라 이동하며 다중 시점 중첩이 제한적인 실외 주행 장면에서 특히 어렵다. 단안 깊이 추정기(monocular depth estimator)는 밀집된 기하학적 사전 정보를 제공할 수 있으나, 그 예측값은 노이즈가 많고 이미지 영역에 따라 신뢰도가 균일하지 않다. 본 연구에서는 희소 시점 신경 재구성을 위한 단안 깊이 지도학습을 연구한다. 밀집 단안 깊이 사전 모델로 Depth Anything V2를 사용하고, 스케일-시프트 피팅(scale-shift fitting)을 통해 예측값을 메트릭 깊이에 정렬한 뒤, RGB 전용 기준선 모델에서 생성된 광도 마스크(photometric mask)를 통해 선택적으로 깊이 지도학습을 적용한다. 이 전략을 두 가지 대표적인 장면 표현 방식인 Mip-NeRF-360과 Splatfacto에서 평가한다. every2 희소 시점 설정 하의 KITTISeq02에서, 마스크 기반 단안 깊이 지도학습은 Mip-NeRF-360의 렌더링 성능을 미미하게 향상시키는 데 그치며 메트릭 기하학을 개선하지 못한다. 반면 Splatfacto는 보다 명확한 이점을 얻어 PSNR이 14.903에서 15.932로 향상되고 RMSE가 0.542에서 0.100으로 감소한다. 추가적인 KITTISeq05 실험과 비율 매칭 마스크 제거 실험(ablation)을 통해, Splatfacto의 성능 향상이 단순히 깊이 지도학습 픽셀 수를 줄이는 것이 아니라 신뢰도가 높은 저오차 영역을 선택하는 데서 비롯됨을 추가로 확인한다. Bicycle 장면에 대한 추가 실험은 다중 시점 커버리지가 이미 충분한 경우 깊이 지도학습이 기하학을 개선하면서 RGB 렌더링 품질을 저하시킬 수 있음을 보여준다. 전반적으로, 본 결과는 단안 깊이 사전 정보가 제약이 부족한 희소 시점 재구성에 유용하지만, 선택적이고 적절한 가중치로 적용되어야 함을 시사한다.

arXiv:2607.03283v1cs.AI

임바디드 오퍼레이터와 벤치마킹: 재사용 가능하고 배포 가능한 임바디드 인텔리전스 시스템을 향하여

Embodied Operators and Benchmarking: Toward Reusable and Deployable Embodied Intelligence Systems

임바디드 인텔리전스 시스템은 엔드-투-엔드 정책 모델뿐만 아니라, 멀티모달 관측값, 로봇 상태, 인간 시연, 태스크 컨텍스트를 구조화된 표현, 의사결정, 궤적, 제어 참조값, 시스템 서비스로 변환하는 재사용 가능한 기능 모듈도 필요로 한다. 본 연구는 이러한 모듈을 임바디드 오퍼레이터(embodied operator)로 정의하고, 임바디드 인텔리전스 파이프라인 내에서 독립적이면서도 조합 가능한 단위로서 연구한다. 우리는 임바디드 오퍼레이터의 정의 경계를 명확히 하며, 태스크 의미론, 표준화된 입출력 계약, 배포 가능성, 재사용성, 다층(multi-layer) 최적화 가능성을 강조한다. 나아가 다섯 가지 범주를 아우르는 분류 체계를 구축한다: 검출 및 분할, 공간적 위치 추정 및 3D 이해, 손 동작 복원, 임바디드 파운데이션 모델 및 태스크-결정 오퍼레이터, 그리고 계획·제어·시스템 지원 오퍼레이터. 각 범주에 대해 대표적인 기능, 기술 패러다임, 적용 역할, 실용적 한계를 정리한다. 분류 체계를 넘어, 정확성, 엔드-투-엔드 효율성, 자원 사용량, 시간적 안정성, 이식성, 인터페이스 호환성, 배포 신뢰성, 다운스트림 태스크 활용성의 측면에서 임바디드 오퍼레이터를 평가하는 다차원 벤치마크 프레임워크를 제안한다. 또한 워크플로우 수준의 오퍼레이터 가속화와 오퍼레이터 조합, 데이터 표준화, 월드 모델, VLA 안전성, 엣지 배포, 실세계 응용 가치에 관한 미해결 과제들을 논의한다. 종합적으로, 본 연구는 임바디드 오퍼레이터가 전체론적인 배포 가능 컴포넌트로서 최적화 및 평가되어야 함을 주장하며, 재사용 가능하고 확장 가능하며 검증 가능한 임바디드 인텔리전스 시스템을 위한 토대를 제공한다.

arXiv:2607.01987v1cs.CV

부분공간 개입을 통한 자기지도 비전 트랜스포머의 기하학적 표현 이해

Understanding Geometric Representations in Self-Supervised Vision Transformers via Subspace Intervention

자기지도 비전 트랜스포머(ViT)가 기하학적 정보를 어떻게 인코딩하는지 분석하기 위해, 선형 프로브 가중치에 SVD를 적용하여 저랭크 부분공간을 분리하는 제어된 개입 프레임워크를 제안한다. DINOv2는 기하학적 특징을 선형 추출에 적합한 저차원 부분공간으로 압축하는 반면 MAE는 분산시키며, 기하학적 정밀도는 중간 레이어에서 최고조에 달한 후 최종 레이어에서 의미론적 표현에 자리를 내어준다는 사실을 밝혔다.

arXiv:2607.01900v1cs.CV

FoundDP: 듀얼픽셀 깊이 추정에서의 약한 시차 관측 가능성 재고

FoundDP: Revisiting Weak Disparity Observability in Dual-Pixel Depth Estimation

듀얼픽셀(DP) 이미징의 극소 기준선으로 인한 약한 시차 관측 가능성 문제를 해결하기 위해, FoundDP는 DP 기반 메트릭 깊이와 단안 깊이 기반 모델(Depth Anything V2 등)의 전역 구조적 사전 정보를 통합하는 프레임워크를 제안한다. ViT 특징 정렬을 통해 DP 피사계 심도 흐림으로 인한 표현 열화를 완화하고, 합성 및 실세계 DP 벤치마크에서 구조적 충실도와 메트릭 정확도 모두 기존 방법 대비 우수한 성능을 달성했다.

arXiv:2607.01885v1cs.CV

확장 가능한 VGGT를 위한 다양성 인식 뷰 분할

Diversity-aware View Partitioning for Scalable VGGT

VGGT가 다수의 뷰 입력 시 시점 중복으로 인해 어텐션이 희석되어 재구성 품질이 오히려 저하되는 문제를 분석하고, 시각적 비유사성과 공간적 분산에 기반한 조합적 그래프 분할(combinatorial graph partitioning)로 뷰를 다양성 인식 균형 청크로 구성하는 학습 불필요(training-free) 추론 프레임워크를 제안한다. 소수의 시드 프레임에서 소프트 포즈 전파(soft pose propagation)로 공간 관계를 근사하여, 카메라 포즈 추정·다중 뷰 깊이 예측·3D 재구성 성능을 향상시키면서 메모리 사용량과 추론 지연 시간을 동시에 줄였다.

arXiv:2607.01851v1cs.CV

효율적인 달 3D 재구성을 위한 기하학적 기반 모델 증류

Geometric Foundation Model Distillation for Efficient Lunar 3D Reconstruction

MASt3R(6억 8,800만 파라미터)를 달 표면 스테레오 재구성에 특화한 지식 증류 프레임워크를 제안하며, SVD 기반 디코더 가중치 초기화를 통해 교사-학생 간 차원 불일치를 해소한다. 증류된 학생 모델(ViT-Small)은 모델 크기를 최대 7.3배 줄이면서 교사의 재구성 정확도를 대부분 유지하며, 희소 정답 레이블로 직접 학습한 기준선보다 Chamfer 오차를 약 18% 낮추는 성능을 보인다.

arXiv:2607.01803v1cs.CV

PixGS: 직접적인 3D 가우시안 스플랫 생성을 위한 픽셀 공간 디퓨전

PixGS: Pixel-Space Diffusion for Direct 3D Gaussian Splat Generation

PixGS는 텍스트 또는 이미지로부터 3D 가우시안 스플랫(3DGS)을 직접 생성하는 단일 단계 파이프라인으로, 기존의 잠재 디퓨전 기반 다단계 파이프라인이 가진 손실 압축 문제와 복잡한 캐스케이드 학습의 한계를 픽셀 공간 디퓨전(pixel-space diffusion)으로 우회한다. 표면 법선·깊이·LoG(Laplacian of Gaussian) 손실을 포함한 포괄적인 지도 학습 전략과 3단계 학습 스케줄을 도입하여, 단일 A100 GPU에서 약 1초의 추론 속도로 최신 방법들을 능가하는 고품질 3DGS 생성을 달성했다.

arXiv:2607.01772v1cs.CV

자율주행을 위한 LLM 기반 멀티모달 융합 프레임워크: 시맨틱 향상 및 채널 적응형 설계

LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design

LLM을 중앙 추론 코어로 활용하는 LM-SCIP 프레임워크는 자율주행의 협력 인식(cooperative perception)에서 비전-레이더 융합을 정적 특징 결합이 아닌 채널 인식(channel-aware) 시맨틱 추론으로 재정의하며, 채널 적응형 시맨틱 모듈(CASM)이 V2X 링크 품질 지표를 "채널 프롬프트"로 변환해 외부 레이더 특징을 동적으로 게이팅한다. nuScenes 벤치마크에서 비전 전용 기준선 대비 위치 추정 RMSE를 40.0% 감소시키고 VIRAT에서 0.214m RMSE를 달성하며, 낮은 SNR 환경에서는 비전 우선 폴백을, 높은 SNR 환경에서는 시너지적 융합을 실현했다.

arXiv:2607.01708v1cs.CV

다중 단서 마스크 정제를 통한 3D 가우시안 스플래팅의 일관된 장면 이해

Consistent Scene Understanding in 3D Gaussian Splatting via Multi-Cue Mask Refinement

SAM의 2D 중심 설계로 인한 과분할(over-segmentation)과 뷰 간 불일관성 문제를 해결하기 위해, DINOv2 의미론적 임베딩, DepthAnythingV2 단안 깊이 추정, LoG 엣지 맵을 결합한 Multi-Cue-Guided Mask Merging(MCM) 프레임워크를 제안한다. 정제된 2D 마스크를 교차 뷰 매칭으로 전역 일관성을 확보한 후 3D Gaussian Splatting 특징 필드로 리프팅함으로써, 기존 방법 대비 분할 안정성과 교차 뷰 일관성을 크게 향상시켰다.

arXiv:2607.01677v1cs.CV

ICDepth: 문맥 내 컨디셔닝을 통한 비디오 깊이 추정을 위한 비디오 확산 모델 길들이기

ICDepth: Taming Video Diffusion Models for Video Depth Estimation via In-Context Conditioning

사전학습된 텍스트-투-비디오 확산 트랜스포머를 문맥 내 컨디셔닝(In-Context Conditioning) 방식으로 적용한 ICDepth 프레임워크를 제안하며, 노이즈 오염을 방지하는 SAND-Attention과 DINOv2 기반의 기하학적 정밀도를 강화하는 SRFM을 핵심 구성요소로 도입했다. 경쟁 생성 모델 대비 6~13배 적은 80만 프레임만으로 학습하면서도 다수의 벤치마크에서 최고 성능을 달성하고, 야간·수중·안개 환경 등 다양한 도메인에 대한 강력한 제로샷 일반화를 입증했다.

arXiv:2607.01503v1cs.CV

깊이 순서 태스크를 통한 VLM의 그림 단서 이해와 언어 바이어스 분리

Disentangling Pictorial Cue Understanding from Language Bias in VLMs via Depth Ordering Task

비전-언어 모델(VLM)이 깊이 지각 단서를 얼마나 활용하는지 평가하기 위해, 9가지 그림 깊이 단서를 개별 제어한 37K 이미지와 147K 질문 쌍으로 구성된 O3-D 데이터셋을 구축하고 12개 모델을 평가한 결과, 모든 모델이 우연 수준(47~56%)을 넘지 못했으며 강한 언어적 편향(language bias)이 확인되었다. 사고의 연쇄(CoT)나 문맥 내 학습(ICL)도 성능을 유의미하게 개선하지 못해, 정적 이미지 데이터만으로는 깊이 이해에 불충분할 수 있음을 시사한다.

arXiv:2512.06179v3cs.CV

반복적 조명 및 기하 추론을 통한 투영 그림자 및 부착 그림자 검출

Cast and Attached Shadow Detection via Iterative Light and Geometry Reasoning

빛 방향과 표면 법선의 물리적 관계를 활용해 투영 그림자(cast shadow)와 부착 그림자(attached shadow)를 동시에 검출하는 이중 모듈 프레임워크를 제안하며, 그림자 검출 모듈과 조명 추정 모듈이 서로를 반복적으로 정제하는 폐쇄 피드백 루프 구조를 채택한다. 세 개의 기존 벤치마크에서 구축한 1,458장의 수동 주석 데이터셋으로 평가한 결과, 부착 그림자 BER을 최소 33% 감소시키며 기존 방법 대비 우수한 성능을 달성했다.

arXiv:2511.22459v2cs.CV

Gaussians on Fire: 화염의 고주파 복원

Gaussians on Fire: High-Frequency Reconstruction of Flames

가우시안 스플래팅(Gaussian Splatting) 기반의 시공간 표현을 사용하여 단 3개의 카메라 시점으로부터 동적 화염을 3D로 복원하는 방법을 제안하며, 정적 배경과 화염 영역을 분리하고 밀집 광학 흐름(optical flow)으로 초기화된 수명 및 속도 정보를 인코딩한 일시적 가우시안(transient Gaussian) 프리미티브를 통해 기존 4D 가우시안 스플래팅 방법들이 실패하는 고주파 화염 특징 복원 문제를 해결한다. 다양한 실제 화염 시나리오에 대한 정량적·정성적 실험을 통해 기존 동적 GS 기법 대비 강건한 성능을 입증하였다.

arXiv:2607.00889v1cs.CV

DeWorldSG: 월드 모델 사전 지식을 활용한 깊이 인식 3D 의미론적 장면 그래프 생성

DeWorldSG: Depth-Aware 3D Semantic Scene Graph Generation via World-Model Priors

RGB-D 시퀀스에서 안정적인 3D 의미론적 장면 그래프(Semantic Scene Graph)를 생성하기 위해, DeWorldSG는 깊이 기반 필터링으로 인스턴스별 확률적 3D 가우시안 분포를 추정하고 각 객체를 단일 투영 점 대신 확률적 3D 노드로 표현한다. 또한 월드 모델(V-JEPA 2)의 시공간적 사전 지식을 활용해 프레임 단위 추론의 관계 희소성 문제를 완화함으로써, 3DSSG 및 ReplicaSSG 벤치마크에서 기존 최고 성능 대비 트리플릿 재현율 77.4%, 서술어 재현율 23.2% 향상을 달성했다.