패스트캠퍼스 환급챌린지 24일차 : Computer Vision Signature 강의 후기

본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.

공부 시작 시각 / 공부 종료 시각

 

 수강 인증 사진

학습 인증샷 (필기)

챌린지 대상 강의 완강률 

24일차, 강의 후기

패러다임의 전환

- 어제: "특징점을 찾아서 매칭" → 오늘: "모든 픽셀이 정보다"
- Feature-based의 "선택과 집중" vs Direct의 "전체 활용" 철학 대비
- E = Σ ||I₁(x) - I₂(π(T·π⁻¹(x,d)))||² 한 식으로 photometric consistency 표현한 게 우아함
---
Photometric Consistency의 직관

- "같은 3D 점 = 다른 시점에서도 같은 밝기" 물리적 직관이 수학으로
- 텍스처 부족한 벽면도 약간의 그라데이션만 있으면 정보로 활용 가능
- Harris corner로 못 찾는 것도 photometric으로는 가능하다는 깨달음
---
Dense vs Sparse 트레이드오프

- DTAM: 모든 픽셀 depth 추정 → 미친 계산량, GPU 필수
- LSD-SLAM: semi-dense로 현실적 타협
- DSO: sparse direct로 "정확성 + 효율성" 동시 추구
- 결과물 차이: sparse 점들 vs dense 3D reconstruction
---
Photometric Assumptions의 현실

- Feature descriptor보다 조명 변화에 더 민감함
- "같은 점 = 같은 밝기" 가정이 현실에서 자주 깨짐
-  역설적으로 민감함 때문에 더 정확한 fine-grained optimization 가능
---
Coarse-to-fine 최적화

-  Image pyramid 활용한 multi-scale 접근
-  저해상도 큰 움직임 → 고해상도 세밀 조정
-  어제 RANSAC의 "확률적 탐색" vs 오늘 "계층적 점진 개선"
---
소감

-  "같은 문제, 완전히 다른 접근"의 매력
-  컴퓨터 비전 이해 관점 확장: 인간적 vs 기계적 접근
-  "조명 변화 어쩌지?" fundamental limitation 명확
-  Hybrid approach 등장 이유 이해
-  한 문제에 대한 다양한 철학적 접근이 흥미로움

 URL: https://fastcampus.info/4n8ztzq