[논문리뷰] DiffusionLane: Diffusion Model for Lane Detection

링크: 논문 PDF로 바로 열기

저자: Kunyang Zhou, Yeqin Shao

핵심 연구 목표

기존 앵커 기반 차선 감지 방법론의 고질적인 일반화 능력 부족 과 과적합 문제 를 해결하기 위해, 차선 감지 태스크를 노이즈 제거 확산(denoising diffusion) 과정 으로 재정의하는 확산 모델 기반 프레임워크 를 제안하는 것을 목표로 합니다. 특히, 분포 변화(distribution-shift) 시나리오에서 재훈련 없이 강력한 성능을 보이는 모델을 개발하고자 합니다.

핵심 방법론

제안하는 DiffusionLane 은 그라운드 트루스 차선의 시작점과 각도 매개변수에 가우시안 노이즈 를 추가하여 노이즈가 있는 차선 앵커를 생성하고, 모델이 이를 점진적으로 정제하여 목표 차선을 예측하도록 학습합니다. 인코더의 빈약한 특징 표현 문제를 해결하기 위해, 전역 및 지역 수준 디코더를 결합한 하이브리드 확산 디코더 와 학습 가능한 차선 앵커를 활용하는 보조 헤드(auxiliary head) 를 포함하는 하이브리드 디코딩 전략 을 제안합니다.

주요 결과

DiffusionLane 은 Carlane, Tusimple, CULane, LLAMAS 네 가지 벤치마크에서 기존 SOTA(State-of-the-Art) 방법론을 능가하는 성능을 달성했습니다. 특히, Carlane의 MuLane 서브셋 에서 ResNet18 백본 사용 시 CLRerNet 보다 1.21% 높은 86.23%의 정확도 를 기록하며 강력한 일반화 능력을 입증했습니다. 또한, CULane 에서는 MobileNetV4 백본 으로 81.32% F1 점수 를 달성하며 새로운 SOTA를 수립했습니다.

AI 실무자를 위한 시사점

이 연구는 확산 모델 을 차선 감지와 같은 지각(perception) 태스크에 성공적으로 적용한 선구적인 사례로, 향후 다양한 컴퓨터 비전 문제에 대한 새로운 해결책을 모색하는 계기가 될 수 있습니다. 랜덤 차선 앵커 와 노이즈 제거 확산 패러다임 을 통해 모델의 강력한 일반화 능력 을 확보하여, 실제 자율 주행 환경에서 발생할 수 있는 분포 변화에 효과적으로 대응할 수 있습니다. 다만, 디코더의 다중 실행으로 인해 추론 속도(FPS) 가 느려지는 한계가 있어 실시간 애플리케이션을 위한 추가적인 최적화가 필요합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.