Core Concepts
본 연구는 추가 센서 없이도 약한 감독 하에 희소 뷰 환경에서 우수한 카메라 재배치 성능을 달성하는 방법을 제안한다.
Abstract
본 연구는 약한 감독 하에 희소 뷰 환경에서 우수한 카메라 재배치 성능을 달성하는 WSCLoc 시스템을 제안한다. 이를 위해 두 단계로 구성된다.
첫 번째 단계에서는 WFT-NeRF 모델을 사용하여 희소 뷰 환경에서 포즈 라벨을 생성한다. WFT-NeRF는 시간 정보를 활용하고 sim(3) 최적화를 통해 스케일 제약을 명시적으로 다룬다.
두 번째 단계에서는 WFT-Pose를 통해 사전 학습된 WFT-NeRF와 타겟 재배치 모델을 공동 최적화한다. 이 과정에서 시간 인코딩 기반 랜덤 뷰 합성과 프레임 간 기하학적 제약을 활용하여 성능을 향상시킨다.
실험 결과, 제안 방법은 희소 뷰 시나리오에서 최신 카메라 재배치 방법과 비교할 때 우수한 포즈 추정 정확도를 달성했다.
Stats
추가 센서 없이도 약한 감독 하에 희소 뷰 환경에서 우수한 카메라 재배치 성능을 달성할 수 있다.
WFT-NeRF 모델은 시간 정보를 활용하고 sim(3) 최적화를 통해 스케일 제약을 명시적으로 다룬다.
WFT-Pose는 사전 학습된 WFT-NeRF와 타겟 재배치 모델을 공동 최적화하며, 시간 인코딩 기반 랜덤 뷰 합성과 프레임 간 기하학적 제약을 활용한다.
실험 결과, 제안 방법은 희소 뷰 시나리오에서 최신 카메라 재배치 방법과 비교할 때 우수한 포즈 추정 정확도를 달성했다.