본 논문은 원거리(최대 30미터)에서의 동적 수화 인식을 위한 새로운 접근법인 DiG-Net을 제시합니다. DiG-Net은 Depth-Conditioned Deformable Alignment (DADA) 블록과 Spatio-Temporal Graph 모듈을 결합하여 물리적 감쇠, 해상도 저하, 동적 제스처 변화 등 실제 환경의 어려운 조건에서도 강력한 제스처 인식을 가능하게 합니다. 특히, Radiometric Spatio-Temporal Depth Attenuation Loss (RSTDAL)을 도입하여 다양한 거리에서의 학습 및 모델 강건성을 향상시켰습니다. 다양한 데이터셋에서 97.3%의 인식 정확도를 달성하여 기존 최첨단 기술을 능가하는 성능을 보였습니다. 이는 원격 의료, 산업 안전, 원격 지원 등 다양한 분야에서 보조 로봇의 사용성을 크게 향상시킬 것으로 기대됩니다.
