복잡한 환경에서 카메라 자세 추정의 정확도와 안정성을 향상시키기 위해, 본 논문에서는 ResGraphLoc 네트워크를 자체 설계하였다. 이 네트워크는 잔차 네트워크와 그래프 어텐션 메커니즘을 도입하여 가림, 조명 변화 및 저질감 환경에서 카메라 자세 회귀 정확도를 더욱 향상시킨다. 해당 네트워크는 ResNet101을 특징 인코더로 사용하며, 개선된 잔차 블록을 통해 두드러진 특징 추출 능력을 강화한다. 그래프 어텐션 레이어를 활용해 다단계 특징 맵을 융합하고, 멀티헤드 셀프 어텐션 메커니즘을 통해 특징 정보의 확산 및 집합을 구현한다. 마지막으로 비선형 MLP 레이어를 통해 특징 임베딩에서 위치와 각도 특징을 추출하여 엔드 투 엔드 카메라 자세 회귀를 완료한다. 대규모 실외 데이터셋에서 ResGraphLoc 모델은 기존 알고리즘보다 뛰어난 자세 오차를 보인다. LOOP 및 FULL 장면에서 자세 회귀 결과는 각각 7.18 m, 2.48° 및 16.96 m, 3.16°로 기준 모델 대비 25% 이상 향상되었다. 4Seasons 데이터셋의 Neighborhood 장면에서는 실외 위치 오차가 최소 1.40 m, 0.76°에 도달한다. 저질감 및 반복되는 실내 데이터셋에서는 위치 및 각도 회귀 결과가 각각 0.08 m, 3.25°에 달한다. 실험 결과는 ResGraphLoc가 복잡한 환경에서 높은 정확도와 안정성을 가지며 가림, 조명 변화, 저질감 장면에 효과적으로 대응함을 검증한다.

컴퓨터 비전;카메라 자세 회귀;카메라 위치 추정;그래프 어텐션;다단계 특징 융합