밀리미터파 (mmWave) 주파수는 차량-모든 것 (V2X) 네트워크를 위해 기가비트급 연결성을 약속하지만, 심각한 경로 손실과 이동도 관련 빔 오정렬이라는 과제를 직면합니다. 신뢰할 수 있는 V2X 연결성은 빠른 양방향 빔 정렬을 요구합니다. 그러나 기존 방법들은 높은 훈련 오버헤드와 보이지 않는 시나리오에 대한 제한된 일반화 능력을 가지고 있습니다. 이 논문은 카메라 감지 (sensing) 로 유도된 실시간 양방향 mmWave 빔 관리를 위한 하이브리드 모델 기반, 폐쇄 루프 학습 구조인 VIsion-based BEamforming(VIBE) 를 제시합니다. VIBE 는 빔 쌍 설정 지연과 링크 품질을 균형을 맞추기 위해 기계 학습, 모델 기반 추론, 및 폐쇄 루프 RF 피드백을 융합합니다. VIBE 는 카메라 관측을 활용하여 빔 탐색 공간을 축소함으로써 고갈적인 훈련 오버헤드를 우회하고 링크 설정을 가속화합니다. 경량 빔 정밀 조정 및 오프셋 추적 메커니즘은 동적 애플리케이션 요구 사항에 반응하여 빔을 적응적으로 정교화합니다. VIBE 는 온라인 실내/실외 테스트베드, 공개 데이터세트, 실시간 차량 실험을 통해 구현되고 평가되었으며, 강력한 일반화 능력을 입증하여 실시간 V2X 통신에 적합함을 보여줍니다. 5G NR 계층적 빔 형성 (beamforming) 과의 비교에서 VIBE 는 일관되게 낮은 아웃레이지율 (outage rates) 을 유지합니다. 또한, 공개 데이터세트에서 평가될 때 최첨단 엔드 투 엔드 ML 모델보다 빔 선택에 있어 더 우수한 성능을 보이며, 1.1-1.4% 의 아웃레이지율을 달성합니다. 결과는 하이브리드 모델 기반, 폐쇄 루프 학습 구조가 엔드 투 엔드 훈련된 ML 모델보다 실제 세계 mmWave 차량 연결성에 더 적합함을 보여줍니다. 재현성을 위해 코드를 https://github.com/UNL-CPN-Lab/Look-Once-Beam-Twice 에 게시합니다.