[Paper] Degradation Manifolds를 통한 자기 인식 객체 탐지

Source: arXiv - 2602.18394v1

개요

객체 탐지기는 정상적인 영상 조건에서 강력한 성능을 달성하지만 흐림, 잡음, 압축, 악천후 또는 해상도 변화에 노출될 경우 조용히 실패할 수 있다. 안전‑중요한 환경에서는 입력이 탐지기의 정상 작동 범위 내에 있는지를 평가하지 않고 예측만 제공하는 것이 충분하지 않다. 우리는 이러한 능력을 self‑aware object detection(자기 인식 객체 탐지)이라고 부른다.

우리는 degradation manifolds(열화 매니폴드)를 기반으로 하는 열화‑인식 자기 인식 프레임워크를 소개한다. 이 프레임워크는 의미적 내용이 아니라 이미지 열화에 따라 탐지기의 특징 공간을 명시적으로 구조화한다. 우리의 방법은 표준 탐지 백본에 경량 임베딩 헤드를 추가하고, 다층 대비 학습(multi‑layer contrastive learning)을 통해 학습한다. 동일한 열화 구성을 공유하는 이미지들은 서로 가깝게 끌어당기고, 서로 다른 열화 구성을 가진 이미지들은 멀리 밀어내어, 열화 유형과 심각도를 열화 라벨이나 명시적 밀도 모델링 없이 포착하는 기하학적으로 조직된 표현을 만든다.

학습된 기하학을 기준점으로 삼기 위해, 우리는 깨끗한 학습 임베딩으로부터 pristine prototype(원본 프로토타입)을 추정하여 표현 공간에서 정상 작동점을 정의한다. 자기 인식은 이 기준점으로부터의 기하학적 편차로 나타나며, 탐지 신뢰도와 무관하게 열화에 의해 발생한 이동을 나타내는 내재적인 이미지‑레벨 신호를 제공한다.

합성 손상 벤치마크, 데이터셋 간 제로‑샷 전이, 자연 날씨에 의한 분포 이동을 포함한 광범위한 실험을 통해 다음을 입증한다:

• 원본‑열화 간 강력한 구분성,
• 여러 탐지기 아키텍처에 걸친 일관된 동작,
• 의미적 이동 하에서도 견고한 일반화.

이 결과는 열화‑인식 표현 기하학이 실용적이며 탐지기‑불변(detector‑agnostic) 기반을 제공한다는 것을 시사한다.

주요 기여

• Research area: cs.CV

방법론

자세한 방법론은 전체 논문을 참고하시기 바랍니다.

실용적 함의

이 연구는 cs.CV 분야의 발전에 기여한다.

저자

• Stefan Becker
• Simon Weiss
• Wolfgang Hübner
• Michael Arens

논문 정보

• arXiv ID: 2602.18394v1
• Categories: cs.CV
• Published: February 20, 2026
• PDF: Download PDF