두 이미지 사이에서 참 대응점(inlier)과 거짓 대응점(outlier)을 구별하는 두 시점 대응점 학습에서 기하·질감·구조 의미 특징을 함께 활용하는 다중 소스 융합 프레임워크 TriMatch가 제안됐다. 기존 방법들은 주로 좌표 기반 기하 일관성에 의존하는데, 반복 구조, 질감 없는 영역, 국소적으로 유사한 기하 패턴이 있는 장면에서 의사 일관성 오대응점을 걸러내지 못하는 한계가 있었다.
TriMatch는 특징 추출과 특징 정제 두 단계로 구성된다. 특징 추출 단계에서는 기하 특징, 질감 의미 특징, 구조 의미 특징을 함께 추출해 대응점 구별에 상호 보완적인 증거를 제공한다. 의미 특징과 기하 특징 사이의 간극을 줄이기 위해 질감-기하 정렬 모듈과 구조-기하 정렬 모듈을 각각 도입했다. 특징 정제 단계에서는 의미 정보를 활용해 기하적으로는 그럴듯하지만 의미적으로 일관성이 없는 대응점을 억제하는 의미 유도 대응점 변조 모듈이 작동하며, 계층적 의미 강화 정제 전략이 다중 맥락 특징 응답을 재보정해 내외점 구별 신뢰도를 높인다.
다수의 실험에서 TriMatch는 효과성, 강건성, 일반화 능력 모두에서 유의미한 성과를 보였다. 반복 구조나 질감이 부족한 장면처럼 기하 정보만으로는 한계가 드러나는 상황에서도 의미 특징이 추가적인 판별력을 제공한다는 것이 핵심 기여다.
두 시점 대응점 학습은 구조에서 동작(SfM), 동시 위치추정 및 지도 작성(SLAM), 이미지 기반 3D 재구성 등 핵심 컴퓨터 비전 파이프라인의 기초가 되는 기술이다. TriMatch가 제안한 다중 소스 특징 융합 방식은 어려운 환경 조건에서도 대응점 추정 신뢰도를 높여 이러한 응용의 전반적인 강건성을 개선하는 방향을 제시한다.
