현재 저질감 및 저조도 영역이 많은 실내 복잡한 장면에서 자기지도 단안 깊이 추정 네트워크가 깊이 정보 예측의 부정확함, 물체 경계 흐림 및 심각한 디테일 손실 문제를 겪고 있는 상황에서, 본 논문은 계층적 특징 융합 기반의 실내 자기지도 단안 깊이 추정 네트워크 모델을 제안한다. 먼저, 매핑 일관성 이미지 향상 모듈을 통해 실내 이미지를 처리하여 저조도 영역의 가시성을 향상시키고 밝기 일관성을 유지하며, 텍스처 세부사항을 풍부하게 하여 훈련 시 흐릿한 가짜 평면 현상으로 인한 모델 악화를 어느 정도 해결하였다. 그 다음, 주의 메커니즘 기반의 계층간 특징 조정 모듈을 결합한 깊이 추정 네트워크를 설계하여 인코더와 인코더-디코더의 다계층 특징 정보를 충분히 융합함으로써 네트워크의 특징 활용 능력을 향상시키고 예측 깊이와 실제 깊이 간의 의미적 차이를 줄였다. 마지막으로, 이미지 스타일 특징 기반의 그램 행렬 유사도 손실 함수를 추가 자기지도 신호 제약으로 설계하여 네트워크의 깊이 예측 능력을 향상시키고 예측 깊이 정확도를 더욱 높였다. NYU Depth V2 및 ScanNet 실내 데이터셋에서 학습 및 테스트를 수행한 결과, 정확히 예측된 깊이 픽셀 비율이 각각 81.9%와 76.0%에 달하였다. 실험 결과는 본 논문의 네트워크 모델이 기존 주요 실내 자기지도 단안 깊이 추정 네트워크에 비해 물체 경계와 디테일 정보를 잘 유지하며 예측 깊이 정확도를 효과적으로 향상시켰음을 보여준다.

자기지도;단안 깊이 추정;이미지 향상;계층적 특징 융합;그램 행렬