본 논문은 자율 주행 및 로봇 공학 분야에서 중요한 문제인 악천후 환경에서의 깊이 추정 성능 저하 문제를 해결하기 위해, 자기 지도 학습 기반의 강건한 깊이 추정을 위한 새로운 프레임워크인 SEC-Depth를 제안한다. 특히, 훈련 과정에서 생성된 중간 매개변수를 활용하여 시간적으로 변화하는 잠재 모델을 구축하고, 이를 기반으로 자기 진화적 대조 학습 방식을 도입하여 어려운 환경에서의 성능 저하를 완화한다. 구체적으로, 깊이 추정 작업에 대한 잠재 모델의 동적 업데이트 전략을 설계하고, 이전 잠재 모델의 출력을 negative sample로 취급하는 자기 진화적 대조 손실(SECL)을 도입하여, 수동 개입 없이 학습 목표를 적응적으로 조정하고 기상 악화의 심각성을 암묵적으로 감지한다.
