경로 추적 스테레오에서의 교차 뷰 분산 상관관계: 합성 학습 데이터의 숨겨진 지름길

경로 추적 (Path-traced) 합성 스테레오 데이터는 현대의 시차 추정 (disparity-estimation) 학습 파이프라인의 상당 부분을 뒷받침하고 있습니다. 본 논문에서는 이러한 데이터의 이전에 인식되지 않았던 특성을 보고합니다. 두 카메라의 몬테카를로 (Monte Carlo, MC) 노이즈 스트림은 통계적으로 독립적이지만, 렌더링 적분 함수 (rendering integrand)의 결정론적 픽셀별 함수인 기저의 extit{분산 필드 (variance fields)}는 정답 시차 워프 (ground-truth disparity warp)에 의해 정렬되면 매우 높은 상관관계를 보입니다. Mitsuba~3로 렌더링된 20개의 장면을 대상으로 조사한 결과, $\mathrm{SPP}{=}512$에서 워핑된 피어슨 상관계수 (Pearson correlation)는 20개 장면 전체에서 $ρ{=}0.754{\pm}0.016}$에 달하며, 대표적인 장면에서는 픽셀당 샘플 수 (samples per pixel)가 $16\times$ 범위 내에서 변하더라도 본질적으로 불변($ρ{=}0.778{\pm}0.001$)하게 유지됩니다. 이 효과는 람베르시안 (Lambertian) 영역에서 가장 강력하며($ρ{\approx}0.78$), 적분 함수를 시점 독립적 (view-independent) 성분과 시점 의존적 (view-dependent) 성분으로 분해하여 예측한 바와 같이 유리 (glass) 영역에서는 상당히 약합니다($ρ{\approx}0.30$). 깨끗한 이미지는 유지하면서 교차 뷰 정렬을 깨뜨리는 잔차 셔플 (residual-shuffle) 개입을 수행했을 때, 비유리 영역에서는 GT 비용 마진 (GT cost margin)이 $33%$ 저하되었고, 유리 영역에서는 분산 기반 승자 독식 (variance-based winner-take-all) 정확도가 $4.3\times$ 저하되었습니다. 이는 해당 구조가 매칭 단서 (matching cue)로 기능함을 확인시켜 줍니다. 이 신호는 MC 렌더링 데이터에만 고유하며, 학습된 네트워크에 미치는 영향이 아직 정량화되지 않은 sim-to-real 지름길 (shortcut)의 후보가 됩니다.