TRIG는 다중 카메라 자율주행 시스템에서 카메라 포즈를 시간에 따라 변하는 자차 궤적(ego-trajectory)과 정적 카메라 리그(camera-rig) 구성요소로 분리 모델링하여 메트릭 기하학 학습의 정확도를 높이는 프레임워크다. 희소 시공간 어텐션(Sparse Temporal–Spatial Attention)을 통해 카메라 간 공간 상호작용과 시간적 집계를 분리함으로써 계산 효율을 유지하면서 다섯 개의 자율주행 벤치마크에서 포즈 추정, 메트릭 깊이 예측, 3D 재구성 모두 최고 성능을 달성했다.
ADM-Fusion은 자율주행 환경에서 센서 열화 및 기상 변화에 강건한 자기 운동 추정(ego-motion estimation)을 위해, 콘텐츠 인식 라우팅을 갖춘 적응형 센서 전문가 혼합(ASMoE) 모듈과 교차 태스크 어텐션으로 결합된 이동/회전 분리 브랜치를 활용하는 엔드투엔드 딥러닝 다중 센서 융합 프레임워크다. CARLA-Loc 시뮬레이션 데이터셋으로 학습 후 KITTI 실세계 데이터에 파인튜닝하여 시뮬레이션-실환경 전이(sim-to-real transfer)의 효과를 입증하였으며, 열화된 조건에서도 경쟁력 있는 성능을 유지함을 보였다.