[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 부족과 과적합 문제를 해결하기 위해, 차선 감지 태스크를 노이즈 제거 확산(denoising diffusion) 과정으로 재정의하는 확산 모델 기반 프레임워크를 제안하는 것을 목표로 합니다. 특히, 분포 변화(distribution-shift) 시나리오에서 재훈련 없이 강력한 성능을 보이는 모델을 개발하고자 합니다.

핵심 방법론

제안하는 DiffusionLane은 그라운드 트루스 차선의 시작점과 각도 매개변수에 가우시안 노이즈를 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 디코더와 학습 가능한 차선 앵커를 활용하는 **보조 헤드(auxiliary head)**를 포함하는 하이브리드 디코딩 전략을 제안합니다.

주요 결과

DiffusionLane은 Carlane, Tusimple, CULane, LLAMAS 네 가지 벤치마크에서 기존 SOTA(State-of-the-Art) 방법론을 능가하는 성능을 달성했습니다. 특히, Carlane의 MuLane 서브셋에서 ResNet18 백본 사용 시 CLRerNet보다 1.21% 높은 86.23%의 정확도를 기록하며 강력한 일반화 능력을 입증했습니다. 또한, CULane에서는 MobileNetV4 백본으로 81.32% F1 점수를 달성하며 새로운 SOTA를 수립했습니다.

AI 실무자를 위한 시사점

이 연구는 확산 모델을 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 앵커와 노이즈 제거 확산 패러다임을 통해 모델의 강력한 일반화 능력을 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.