MetaSSP 반감독 3D 재구성을 위한 메타 적응 EMA와 SDF 기반 의사라벨 가중치

초록

MetaSSP는 제한된 라벨만으로도 고품질 단일 이미지 3D 재구성을 가능하게 하는 반감독 프레임워크이다. 핵심은 (1) 그래디언트 기반 파라미터 중요도 추정으로 EMA 업데이트를 정규화하는 메타‑적응 EMA, (2) 약·강 강화 일관성과 SDF 분산을 결합한 SDF‑aware 의사라벨 가중치이다. 10 % 라벨로 사전 학습한 뒤 무라벨 데이터를 활용해 교사·학생 네트워크를 공동 최적화하며, Pix3D에서 Chamfer Distance를 20.61 % 감소, IoU를 24.09 % 향상시켜 기존 반감독 방법들을 크게 앞선다.

상세 분석

MetaSSP는 기존 SDF 기반 암시적 3D 재구성 모델이 대규모 라벨 데이터에 의존한다는 한계를 반감독 학습으로 극복한다. 첫 단계인 10 % 라벨을 이용한 Warm‑up은 SSR 구조의 교사 모델을 안정적인 초기 상태로 만든다. 이후 단계에서는 무라벨 이미지에 대해 약한(Weak) 및 강한(Strong) 증강을 동시에 적용하고, 교사 모델이 두 버전에서 출력한 SDF를 이용해 두 가지 신뢰도 지표를 만든다. 첫 번째는 증강 일관성 손실 ℓ_cons이며, 이는 강한 증강 결과와 약한 증강 결과 사이의 차이를 측정한다. 두 번째는 약한 증강 결과의 분산 σ²로, SDF 값이 표면 근처에 집중될수록 분산이 작아 신뢰도가 높다고 판단한다. 이 두 지표를 선형 결합하고