PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2310.10051v3cs.CV

EAR-Net: 다중 뷰 이미지로부터 엔드투엔드 절대 회전 추정

EAR-Net: Pursuing End-to-End Absolute Rotations from Multi-View Images

절대 회전 추정은 3D 컴퓨터 비전(CV)에서 중요한 주제이다. 기존 문헌의 연구들은 일반적으로 다단계(최소 2단계) 추정 전략을 사용하며, 여기서 특징(feature) 매칭, 두 뷰 회전 추정, 회전 평균화(rotation averaging)와 같은 여러 독립적인 연산이 순차적으로 구현된다. 그러나 이러한 다단계 전략은 각 연산이 야기하는 오차가 필연적으로 누적되어, 결과적으로 전역 회전에 대한 최종 추정 성능을 저하시킨다. 이 문제를 해결하기 위해, 우리는 다중 뷰 이미지로부터 절대 회전을 추정하는 심층 신경망 기반의 엔드투엔드 방법인 EAR-Net을 제안한다. 제안된 EAR-Net은 에피폴라(epipolar) 신뢰도 그래프 구성 모듈과 신뢰도 인식 회전 평균화 모듈로 구성된다. 에피폴라 신뢰도 그래프 구성 모듈은 입력 이미지들 간의 쌍별 상대 회전과 이에 대응하는 신뢰도를 동시에 예측하여 가중 그래프(에피폴라 신뢰도 그래프라고 부름)를 생성하도록 설계되었다. 이 그래프를 기반으로, 미분 가능한(differentiable) 신뢰도 인식 회전 평균화 모듈을 통해 절대 회전을 예측한다. 도입된 상대 회전의 신뢰도 덕분에, 제안된 EAR-Net은 이상치(outlier) 사례를 효과적으로 처리할 수 있다. 세 개의 공개 데이터셋에 대한 실험 결과는 EAR-Net이 정확도와 속도 측면에서 최신(state-of-the-art) 방법들을 큰 마진(margin)만큼 능가함을 보여준다.