PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.04101v1cs.CV

The Multipath Blind Spot: $K$-Agnostic Robust Calibration for Sparse-Anchor Metric Depth from Frozen Foundations

단안 깊이 기반 모델(monocular depth foundation)은 도메인 일반적 상대적 깊이를 예측하지만 절대적 스케일이 없으며, 거리 센서의 소수 희소 메트릭 앵커를 활용해 메트릭 깊이로 보정하는 방식은 메트릭 지도 학습의 매력적인 대안이 된다. 그러나 기존 희소 앵커 보정 방법들은 앵커가 깨끗하다고 가정하는 반면, 실제 센서는 단순히 누락되는 것이 아니라 잘못된 값을 갖는 이상값—비행 시간 다중경로(time-of-flight multipath), 혼합 픽셀(mixed pixels)—을 생성한다. 우리는 기존의 CFA 기반 잔차 보정 방식이 이러한 이상값 하에서 무너지며, 공개 배포된 가장 강력한 방법인 VI-Depth가 구조적인 다중경로 사각지대를 가짐을 보인다: 누락된 앵커에는 강건하지만, 앵커가 존재하되 잘못된 경우 4개 데이터셋 중 3개에서 보호되지 않은 기준선보다 뒤처진다. 우리는 보정 헤드에 대한 단 한 번의 호출 전에, 기반 모델 일관성—Theil–Sen 적합 및 기반 모델 자체의 상대적 깊이 순서에 대한 중앙값 절대 편차(median-absolute-deviation) 검정—으로 앵커를 걸러내는 매개변수 없는 추론 시간 래퍼인 다중경로 강건 앵커 보정(Multipath-Robust Anchor Calibration, MRAC)을 제안한다. MRAC는 학습된 매개변수를 추가하지 않고, CPU에서 약 50μs에 선택 과정을 실행하며, 하나의 체크포인트에서 $K \in [5, 200]$의 앵커 예산을 처리한다. 동일 백본, 동일 아키텍처 대조군이 포함된 320셀 벤치마크에서, MRAC는 모든 4가지 이상값 계열에 걸쳐 동일 백본 셀의 84%에서 엄격하게 우세하며, VI-Depth 대비 모든 12개의 손상된 다중경로 셀과 모든 16개의 KITTI 셀에서 승리하고, 재학습 없이 KITTI 다중경로 AbsRel을 3.2배(0.489에서 0.151로) 감소시킨다.

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.