Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Graph Attention-Driven Bayesian Deep Unrolling for Dual-Peak Single-Photon Lidar Imaging

Created by
  • Haebom

저자

Kyungmin Choi, JaKeoung Koo, Stephen McLaughlin, Abderrahim Halimi

개요

본 논문은 다중 타겟이 존재하는 잡음 환경에서의 단일 광자 LiDAR 이미징 문제를 해결하기 위해 심층 신경망을 이용한 딥 언롤링 알고리즘을 제안한다. 기존의 통계적 방법은 해석 가능성은 높지만 복잡한 장면 처리에 어려움을 겪고, 심층 학습 기반 방법은 정확도와 강건성은 우수하지만 해석 가능성이 부족하거나 픽셀당 단일 피크만 처리하는 한계가 있다. 본 연구에서는 계층적 베이지안 모델과 듀얼 깊이 맵 표현을 도입하고, 기하학적 심층 학습을 활용하여 점 구름으로부터 특징을 추출하는 딥 언롤링 알고리즘을 제시한다. 이를 통해 통계적 방법과 학습 기반 방법의 장점을 결합하여 정확도와 불확실성 정량화를 동시에 달성한다. 합성 및 실제 데이터 실험 결과는 기존 방법들에 비해 경쟁력 있는 성능을 보이며 불확실성 정보까지 제공함을 보여준다.

시사점, 한계점

시사점:
다중 타겟 환경에서의 단일 광자 LiDAR 이미징 성능 향상: 듀얼 깊이 맵 표현과 기하학적 심층 학습을 통한 정확도 향상.
불확실성 정량화: 통계적 방법의 장점을 활용하여 결과의 불확실성을 정량적으로 제공.
통계적 방법과 심층 학습의 장점 결합: 해석 가능성과 정확도를 동시에 확보.
한계점:
제안된 방법의 일반화 성능에 대한 추가적인 검증 필요.
실제 환경의 다양한 잡음 및 복잡성에 대한 추가적인 실험 필요.
계산 비용이 높을 수 있음.
👍