장면별 학습 시간
새 장면마다 위치 추정 모델을 다시 학습해야 하면 지도 구성 시간이 부담이 된다. ACE는 장면 좌표 회귀의 정확도를 유지하면서 이러한 학습 시간을 줄이는 방법을 제안했다.
특징과 헤드의 분리
장면에 무관한 특징 백본과 장면에 특화된 예측 헤드를 나눈다. 다층 퍼셉트론 헤드를 사용해 한 학습 반복에서 수천 시점에 걸쳐 최적화할 수 있도록 구성한다.
재투영 손실의 순서
강건한 자세 해법까지 포함하는 느린 전체 학습 대신 재투영 손실에 대한 커리큘럼을 사용한다. 학습을 안정시키는 과정과 장면별 예측의 계산을 함께 설계한다.
필요한 관측 정보
깊이 지도나 삼차원 모형을 특별한 사전 정보로 요구하지 않는 구성을 제시했다. 논문은 분 단위 학습 결과를 보고했지만 실제 소요 시간은 장면과 계산 환경에 따라 달라진다.
관련 문서
DSAC / PoseNet 카메라 위치 추정 / MapNet 카메라 위치 추정 / 다층 퍼셉트론 / 기하 정합 / 전이 학습