#Computer Vision

컴퓨터 비전 September 13, 2026

단안식 깊이 추정 - 상대적 순서에서 미터법 거리까지

단안 심도에 대한 기본 설명: 상대적 심도와 미터법 심도, 척도 모호성, 평가 프로토콜 및 고장 조건

학습 가이드 · 4 분 읽기 컴퓨터 비전 September 13, 2026

뉴럴 3D — 새로운 시점 합성 및 시각적/기하학적 평가 분리

신경망을 이용한 장면 표현, 새로운 시점 합성, 검증된 시점, 그리고 시각적 평가와 기하학적 평가의 분리에 대한 입문서.

학습 가이드 · 4 분 읽기 컴퓨터 비전 September 4, 2026

카메라 보정 기초 - 렌즈 왜곡 및 고유 파라미터 복구

카메라 캘리브레이션은 픽셀 좌표를 3D 공간에 매핑하는 데 필요한 내부 파라미터와 렌즈 왜곡을 복구하는 과정입니다. 핀홀 모델 재검토부터 방사형 및 접선 왜곡 모델, Zhang의 평면 패턴 방법, 재투영 오류 최적화, 그리고 캘리브레이션 드리프트 발생 시 Visual SLAM 및 VO에서 발생하는 문제점까지, 방정식과 다이어그램을 통해 체계적으로 살펴봅니다.

Fundamentals · 14 분 읽기 컴퓨터 비전 September 4, 2026

동형성 입문 — 단일 3x3 행렬을 이용한 평면 대응 설명

호모그래피는 동일 평면상의 점들, 즉 순수하게 회전하는 카메라의 시점을 단일 3x3 투영 변환을 사용하여 연결하는 관계입니다. 이 글에서는 DLT 기반 추정, RANSAC을 이용한 강건화, 회전, 이동, 평면 법선으로의 분해, 그리고 에피폴라 기하학과의 비교를 통해 호모그래피를 언제 사용해야 하는지를 다룹니다. 또한 이미지 스티칭 및 AR 평면 추적과 같은 응용 사례를 방정식과 다이어그램을 통해 설명합니다.

Fundamentals · 13 분 읽기 컴퓨터 비전 September 4, 2026

다중 시점 스테레오 입문 - 드문드문 분포된 포인트 클라우드를 조밀한 3D 형상으로 채우기

다중 시점 스테레오(MVS)는 알려진 카메라 포즈를 사용하여 여러 이미지로부터 조밀한 3D 형상을 복원합니다. 이 글에서는 사진 일관성의 핵심 원리, 평면 스윕 방식과 패치 기반 방식(PMVS)의 두 가지 고전적인 접근 방식, MVSNet으로 대표되는 딥러닝 기반 방법, 그리고 깊이 맵 융합을 통한 메시 생성 방법을 체계적으로 다룹니다. 또한 스테레오 카메라 및 깊이 카메라와의 관계를 방정식과 다이어그램을 통해 설명합니다.

Fundamentals · 18 분 읽기 컴퓨터 비전 September 4, 2026

모션 복원 기초 - 정렬되지 않은 사진 세트에서 3D 이미지와 카메라 위치를 함께 복원하는 방법

SfM(Structure from Motion)은 순서와 촬영 위치가 알려지지 않은 사진 세트로부터 장면의 3D 구조와 모든 카메라 포즈를 동시에 복원합니다. 이 글에서는 특징점 매칭, 기하학적 검증, 증분 SfM과 전역 SfM의 두 가지 재구성 전략, 삼각측량, 번들 조정과의 관계, Visual-SLAM과의 차이점, 그리고 COLMAP과 같은 현재 구현 사례들을 체계적으로 다룹니다.

Fundamentals · 16 분 읽기 머신러닝 September 4, 2026

머신러닝 기초: 자세 추정

포즈 추정은 이미지로부터 사람이나 객체의 주요 특징점과 6D 포즈를 추론합니다. 이 입문 과정에서는 좌표, 손실, 가림 현상, 평가 및 안전성에 대해 다룹니다.

Fundamentals · 6 분 읽기 컴퓨터 비전 September 3, 2026

에피폴라 기하학 — 두 이미지에서 깊이와 카메라 움직임 읽기

에피폴라 기하학은 동일한 3D 점이 두 이미지에 어떻게 투영되는지를 규정하는 이론입니다. 이 글에서는 기본 행렬과 필수 행렬, 8점 및 5점 알고리즘, RANSAC, 삼각측량, 에피폴라 기하학과 호모그래피 중 선택, 보정, OpenCV/COLMAP 구현, 오류 조건, 그리고 최근의 학습 기반 추정 기법을 방정식과 도표를 통해 체계적으로 설명합니다.

Fundamentals · 27 분 읽기 컴퓨터 비전 September 3, 2026

특징점 탐지 입문

특징점 검출은 이미지에서 "다시 찾을 수 있는 위치"를 선택하고 이를 매칭에 사용합니다. 이 글에서는 코너, 블롭, DoG, FAST, ORB, SIFT 등의 특징점 검출 원리를 견고성, 평가, 최신 도구, 학습 기반 방법과 연결하여 전체적인 그림을 제시합니다.

Fundamentals · 23 분 읽기