본 논문은 제한된 이미지 데이터 내에서 목표, 관찰, 환경 간의 미세한 연결을 활용하는 새로운 이미지 목표 탐색 방법인 RFSG를 제안합니다. 간단하고 가벼운 탐색 아키텍처를 유지하면서, 목표와 관찰 특징을 융합하기 위해 다차원 특징의 중요성을 학습하는 공간-채널 어텐션 메커니즘을 제시합니다. 또한, 특징 표현 능력을 향상시키기 위해 자기 증류 메커니즘을 통합했습니다. 효율적인 탐색을 위해 주변 환경 정보가 필요하다는 점을 고려하여 이미지와 객체 수준 모두에서 특징 연관성을 설정하는 이미지 장면 그래프를 제안하여 주변 장면 정보를 효과적으로 인코딩합니다. Gibson 및 HM3D 데이터셋에서 교차 장면 성능 검증을 수행했으며, 제안된 방법은 주요 방법들 중 최첨단 결과를 달성했으며 RTX3080에서 최대 53.5fps의 속도를 달성했습니다. 이는 실제 시나리오에서 엔드투엔드 이미지 목표 탐색을 구현하는 데 기여합니다. 구현 및 모델은 https://github.com/nubot-nudt/RFSG 에서 공개되었습니다.
