PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.18737v2cs.CV

파도 아래의 기하학: 희소 뷰 수중 3D 가우시안 스플래팅을 위한 밀집 사전 정보

Geometry beneath the Waves: Dense Priors for Sparse-View Underwater 3D Gaussian Splatting

수중 3D 복원(3D reconstruction)은 희소 뷰(sparse view) 조건에서 여전히 어려운 과제로 남아 있는데, 산란(scattering), 흡수(absorption), 부유 입자(suspended particles)가 특징(feature) 대응관계와 기하 추정(geometric estimation)을 저해하기 때문이다. 피드포워드(feed-forward) 기하 파운데이션 모델(foundation model)이 전통적인 Structure-from-Motion의 대안을 제공하지만, 이를 수중 환경에 직접 적용하면 노이즈가 많고 단편화된 기하가 생성되어 이후의 3D 가우시안 스플래팅(3D Gaussian Splatting, 3DGS)을 제한한다. 우리는 피드포워드 기하를 수중 저하(degradation)에 적응시키고 그 밀집 기하학적 사전(dense geometric prior)을 뷰 합성(view synthesis)에 활용하는 희소 뷰 수중 복원 프레임워크를 제안한다. 첫째, LoRA와 교사-학생(teacher-student) 증류(distillation)를 사용하여 VGGT를 적응시키며, 합성적으로 저하된 수중 이미지로 학습(training)하면서도 깨끗한 기하학적 감독(supervision)을 보존한다. 이를 통해 사전학습(pretrained)된 예측 헤드(prediction head)를 수정하지 않고도 수중 외관 왜곡(appearance distortion)에 대한 견고성(robustness)을 향상시킨다. 둘째, 예측된 밀집 기하는 중간 단계의 3DGS 표현을 초기화하여 기하 기반(geometry-guided) 가상 뷰(pseudo-view)를 생성하며, 이는 뷰 중첩(view overlap)을 늘리고 이후의 RUSplatting 최적화를 위한 특징(feature) 트랙을 강화한다. SeaThru-NeRF와 Submerged3D에서의 실험은 희소 뷰 조건에서 복원 품질이 향상됨을 보여준다. SeaThru-NeRF에서 본 방법은 RUSplatting의 PSNR을 24.37에서 27.11 dB로 향상시키고 SSIM을 0.7611에서 0.8634로 증가시키며, Submerged3D에서는 최고의 평균 PSNR과 LPIPS를 달성한다. 이러한 결과는 견고한 희소 뷰 수중 3D 복원을 위한 도메인 적응(domain-adapted) 기하학적 사전의 잠재력을 보여준다.

arXiv:2607.21467v1cs.CV

CLUIE: 수중 이미지 향상을 위한 군집 인식 순환 전파와 국소 구조 보상

CLUIE: Clustering-Aware Recurrent Propagation with Local Structural Compensation for Underwater Image Enhancement

수중 이미지 향상은 파장에 따른 빛 흡수, 산란, 역산란으로 인해 여전히 어려운 과제이며, 이들은 함께 색 왜곡, 대비 저하, 디테일 손실을 야기한다. 이러한 열화는 장면 깊이와 촬영 조건에 따라 달라지므로, 동일 이미지 내 서로 다른 영역은 종종 이질적인 열화 패턴을 보이며 따라서 영역 적응형 복원이 필요하다. 비전 RWKV 모델은 장거리 의존성 모델링을 위한 효율적인 선형 복잡도 해법을 제공하지만, 사전 정의된 스캔 순서는 콘텐츠와 무관하여 공간적으로 비균일한 복원 요구에 순환 상태 전파를 적응시키지 못한다. 이 한계를 해결하기 위해, 우리는 고정된 순환 전파 경로를 콘텐츠 적응형 토큰 궤적으로 재구성하는 군집 인식 RWKV 프레임워크인 CRWKV를 제안한다. 구체적으로, 의미적 특징 유사도에 따라 토큰을 그룹화하고 클러스터 간 문맥 관계로부터 동적 순회 순서를 도출하는 Clustering-aware Semantic Dynamic Reordering(CSDR)을 도입한다. 이 설계는 WKV 상태가 고정된 공간적 또는 스펙트럼 순서가 아닌 의미적으로 상관된 영역을 따라 누적되도록 한다. 동적 재정렬이 원래 공간 이웃의 국소 연속성을 방해할 수 있으므로, depth-wise 합성곱을 통해 국소 구조 응답을 추출하고 이웃 인식 의사-암응답(pseudo-dark response) 맵을 사용하여 전파 강도를 적응적으로 변조하는 Dark-response Modulated Local Propagation(DMLP)을 추가로 제안한다. 이를 통해 콘텐츠 적응형 장거리 모델링을 유지하면서 순환 집계 이전에 국소 구조 단서가 보상된다. 여러 수중 이미지 향상 벤치마크에 대한 광범위한 실험은 CRWKV가 최첨단(state-of-the-art) 정량적 성능과 우수한 시각적 품질을 달성함을 보여준다.

arXiv:2607.21023v1cs.CV

WAT3R: 순전파 기반 수중 3D 재구성

WAT3R: Feedforward Underwater 3D Reconstruction

신뢰할 수 있는 순전파 기반 수중 3D 재구성은 심각한 빛 감쇠와 역산란으로 인해 여전히 어려운 과제로 남아 있다. 이는 시각적 품질을 저하시키고 뷰 간 특징 일관성을 방해하여 부정확한 다중 뷰 기하학으로 이어진다. 이 문제를 해결하기 위해, 수중 이미지로부터 3D 장면을 직접 재구성하는 순전파 프레임워크 WAT3R을 제안한다. 열화 적응을 기하학 제약 프로세스로 활용함으로써, WAT3R은 경량 신경망 적응 모듈을 통합하여 이러한 수중 촬영 효과를 유연하게 반영하고, 이를 통해 다중 뷰 재구성 품질을 향상시킨다. 단일 순전파로 구현된 WAT3R은 수중 비디오로부터 픽셀 정렬 3D 포인트 맵과 카메라 포즈를 직접且 효율적으로 출력하여 고품질 수중 3D 재구성을 가능하게 한다. FLSea, SQUID, USOD10K 데이터셋에서 수행한 실험은 우리 방법이 다중 뷰/단안 깊이 추정 및 카메라 포즈 추정을 포함한 3D 재구성 과제에서 최신 방법들을 지속적으로 능가함을 보여준다.

arXiv:2510.04876v3cs.CV

BenthiCat: 저서 분류 및 서식지 매핑 발전을 위한 광음향 데이터셋

BenthiCat: An opti-acoustic dataset for advancing benthic classification and habitat mapping

저서 서식지 매핑은 해양 생태계 이해, 보전 노력 안내, 지속 가능한 자원 관리 지원에 있어 기본적이다. 그러나 대규모 주석 데이터셋의 부족은 이 분야에서 기계 학습 모델의 개발과 벤치마킹을 제한한다. 본 논문은 카탈로니아(스페인) 해안을 따라 수집된 약 100만 개의 측면 주사 음파탐지기(side-scan sonar, SSS) 타일, 수심 지도, 자율 수중 운항체(autonomous underwater vehicle, AUV)를 이용한 표적 조사에서 얻은 정합된 광학 이미지 집합으로 구성된 포괄적인 다중 모달 데이터셋을 소개한다. 약 36000개의 SSS 타일에는 분류 모델의 지도 미세조정을 가능하게 하기 위해 분할 마스크로 수동 주석이 달렸다. 모자이크를 포함한 모든 원시 센서 데이터도 추가 탐험과 알고리즘 개발을 지원하기 위해 공개된다. AUV의 다중 센서 데이터 융합에서의 과제를 해결하기 위해, 우리는 해당 SSS 타일과 광학 이미지를 공간적으로 연관시켜 자기지도학습(self-supervised), 교차 모달 표현 학습(cross-modal representation learning)을 촉진한다. 접근성을 높이고 연구를 장려하기 위해 오픈소스 전처리 및 주석 도구도 함께 제공한다. 이 자료는 수중 서식지 매핑을 위한 표준화된 벤치마크를 구축하고, 자율 해저 분류 및 다중 센서 통합의 발전을 촉진하는 것을 목표로 한다.

arXiv:2607.01825v1cs.CV

수중 현저 객체 검출을 위한 조건부 생성의 재고찰

Rethinking Conditional Generation for Underwater Salient Object Detection

수중 이미지의 산란·흡수로 인한 저대비, 색상 왜곡, 경계 모호성 문제를 해결하기 위해, 조건부 특징의 신뢰성에 초점을 맞춘 열화 인식 조건부 생성 네트워크(DCGNet)를 제안한다. DMG·UPP·USG 모듈로 다중 스케일 표현, 물리 기반 열화 복원, 공간 가우시안 현저성 사전을 구성하고 경량 타임스텝 적응형 DiT 병목을 결합하여, USOD10K 등 5개 벤치마크에서 기존 최고 성능 방법들을 크게 능가하는 결과를 달성했다.