Core Concepts
LiDAR 강도를 활용하여 이미지에서 알베도와 그림자를 효과적으로 분리하는 무감독 학습 모델을 제안한다.
Abstract
이 논문은 LiDAR 강도를 활용하여 내재적 이미지 분해(IID) 성능을 향상시키는 무감독 학습 모델 LIET를 제안한다.
주요 내용은 다음과 같다:
LIET는 이미지와 LiDAR 강도를 개별적으로 인코더에 입력하고, 공유된 컴포넌트에서 처리하여 표현을 학습한다. 이를 통해 추론 시에는 이미지만을 사용하면서도 학습 시에는 LiDAR 강도를 활용할 수 있다.
알베도 정렬 손실(albedo-alignment loss)을 도입하여 이미지에서 추론한 알베도와 LiDAR 강도에서 추론한 알베도를 정렬함으로써 그림자 효과를 줄인다.
이미지-LiDAR 변환(ILC) 경로를 추가하여 이미지와 LiDAR 강도 간의 내용(content)과 스타일(style)을 효과적으로 분리할 수 있도록 한다.
실험 결과, LIET는 LiDAR 강도를 사용하는 기존 모델과 유사한 IID 성능을 보이면서도 추론 시에는 이미지만을 사용한다는 점에서 우수한 성능을 보인다.
Stats
이미지에서 추론한 알베도와 LiDAR 강도에서 추론한 알베도의 차이는 그림자 효과를 줄이는 데 도움이 된다.
이미지와 LiDAR 강도 간의 내용(content)과 스타일(style)을 분리하는 것이 IID 성능 향상에 기여한다.
Quotes
"LiDAR 강도는 일광 조건과 그림자의 영향을 받지 않고 물체 표면의 특성을 나타내므로, LiDAR 강도에서 추론한 알베도는 그림자 감소에 도움이 될 수 있다."
"이미지와 LiDAR 강도 간의 내용(content)과 스타일(style)을 효과적으로 분리하는 것이 IID 성능 향상에 기여한다."