You know maize mean?
Shape Matching and Object Recognition Using Shape Contexts
0. Summary
기본 정보 : IEEE TPAMI,2002.04, Shape Matching and Object Recognition Using Shape Contexts
연구 배경
픽셀 밝기 벡터로 이미지를 비교하면(SSD, 주성분 분석, SVM 등) 같은 “모양”인 두 손글씨 숫자도 전혀 다른 벡터가 된다. 평행이동·스케일·작은 회전에 대한 불변성을 얻으려면 전처리나 막대한 학습 데이터가 필요하다. 반면 고전적 형상 기술자(모멘트, 푸리에 기술자, 메디얼 축)는 모양을 소수의 숫자로 압축해 변별력을 잃거나, 닫힌 윤곽(실루엣)에만 적용된다. 키포인트 기반 접근은 모든 물체에 키포인트가 있는 것이 아니고 매끄러운 윤곽의 정보를 버린다. 근본적으로 모양은 점들의 상대 위치 정보인데, 이를 풍부하게 담으면서도 대응 문제를 풀 수 있게 하는 국소 기술자가 없었다.
제안 방법
논문은 모양 유사도 측정을 세 단계로 정식화한다. (1) 두 모양의 점 사이 대응(correspondence) 을 찾고, (2) 대응으로부터 정렬 변환을 추정하며, (3) 정렬 후 남는 차이를 거리로 계산한다. 대응을 위해 각 점에 형상 문맥(shape context) 을 붙인다. 형상 문맥은 기준점에서 본 나머지 점들의 상대 위치를 로그-극좌표 히스토그램(반지름 5구간 × 각도 12구간 = 60빈)으로 요약한 기술자로, 가까운 점에는 민감하고 먼 점에는 둔감하다. 두 히스토그램의 $\chi^2$ 거리를 비용으로 이분 가중 매칭(헝가리안 계열 알고리즘)을 풀어 일대일 대응을 얻고, 더미 노드로 이상치를 처리한다. 정렬 변환은 정규화 박판 스플라인(regularized TPS) 으로 추정하며, 대응 추정과 변환 추정을 보통 3회 번갈아 반복한다. 최종 거리는 형상 문맥 거리 $D_{sc}$, 외형 거리 $D_{ac}$, 굽힘 에너지 $D_{be}$ 의 가중합이고, 이를 K-최근접 이웃 분류기에 쓴다.
발견 사실
MNIST 손글씨에서 100개 샘플 점과 3-NN, 학습 20,000장만으로 오류율 0.63% 를 달성해, 당시 최고 성능이던 부스티드 LeNet-4(60,000장 × 10배 합성 왜곡, 0.7%)를 더 적은 데이터로 앞질렀다. COIL-20 3D 물체 인식에서는 k-medoid 기반 프로토타입 선택으로 물체당 평균 4개 뷰만 저장하고도 2.4% 오류율을 얻었다. MPEG-7 CE-Shape-1 실루엣 검색(1,400장, 70범주)에서는 샘플 점을 300개로 늘려 불스아이 검색률 76.51% 로 당시 최고(Latecki 76.45%, Mokhtarian 75.44%)를 근소하게 넘었다. Kimia 실루엣 데이터셋에서 접선 기준 상대 좌표계를 쓰면 변환 모델 없이도 1·2·3위 최근접 이웃 정확도 25/25, 24/25, 22/25로 완전한 회전 불변 인식이 가능함을 보였고, 300개 상표 데이터베이스에서 침해 후보 검색에도 성공했다.
핵심 기여
- 형상 문맥 기술자 : 점 집합의 전역 배치를 각 점의 국소 로그-극좌표 히스토그램으로 요약해, 키포인트 없이도 풍부하고 변별력 있으며 평행이동·스케일 불변인 기술자를 제안했다(Sec. 3.1, Eq. 1–2).
- 대응–변환 교대 추정 틀 : 이분 매칭으로 대응을 풀고 정규화 TPS로 정렬하는 과정을 반복하는 단순하고 강건한 알고리즘을 제시했다. 비볼록 최적화나 결정론적 어닐링이 필요 없다(Sec. 3.2, 4).
- 통합 형상 거리와 프로토타입 기반 인식 : $D_{sc}+D_{ac}+D_{be}$ 의 가중합을 하나의 거리 함수로 두고 숫자·3D 물체·실루엣·상표에 같은 함수로 최고 성능을 내며, k-medoid 편집으로 범주별 프로토타입 수를 적응적으로 정했다(Sec. 5–6, Eq. 12–13, 19).
관련 개념
형상 문맥(Shape Context) 기술자
형상 문맥은 모양을 윤곽에서 샘플링한 점 집합 $P={p_1,\dots,p_n}$ 으로 보고, 각 점 $p_i$ 에 “나머지 $n-1$ 개 점이 나를 기준으로 어디에 있는가”의 분포를 붙인 것입니다. 가상 피팅 연구에서는 VITON이 옷 마스크와 사람 위 옷 영역의 대응을 찾는 데 바로 이 기술자를 사용했습니다.
📍 1. 정의 (Eq. 1)
$$h_i(k) = #{\,q\neq p_i : (q-p_i)\in \mathrm{bin}(k)\,} \tag{1}$$
| 설계 요소 | 값 | 이유 |
|---|---|---|
| 샘플 점 | Canny 에지에서 대략 균일 간격으로 $n$ 개 (숫자 100, MPEG-7 300) | 키포인트가 필요 없고 매끄러운 윤곽 정보도 보존 |
| 좌표계 | 로그-극좌표 $(\log r, \theta)$ | 가까운 점의 위치에 민감, 먼 점에는 둔감. 거리에 비례해 커지는 위치 불확실성과 일치 |
| 빈 수 | $\log r$ 5구간(범위 0.125–2) × $\theta$ 12구간 = 60빈 | — |
| 거리 정규화 | 모든 $r$ 을 점 쌍 $n^2$ 개의 평균(또는 중앙) 거리로 나눔 | 스케일 불변 |
평행이동 불변은 모든 측정이 점 자신을 기준으로 하므로 자동으로 성립합니다. 내부 윤곽과 외부 윤곽의 점이 모두 포함되므로 실루엣 전용 기술자보다 적용 범위가 넓습니다.
🧮 2. 매칭 비용 (Eq. 2)
히스토그램은 분포이므로 $\chi^2$ 통계량을 거리로 씁니다. $K$ 빈 정규화 히스토그램 $h_i, h_j$ 에 대해
$$C_{ij} = C(p_i, q_j) = \frac{1}{2}\sum_{k=1}^{K}\frac{[h_i(k)-h_j(k)]^2}{h_i(k)+h_j(k)} \tag{2}$$
여기에 응용에 따라 국소 외형 비용을 더할 수 있습니다. 색·질감 유사도, 작은 패치의 SSD, 필터 응답 벡터 거리, 접선 각도 유사도 등입니다. MNIST 실험에서는 접선 각도 항을 섞었습니다.
$$C_{ij} = (1-\beta)\,C^{sc}{ij} + \beta\,C^{tan}{ij},\qquad C^{tan}_{ij} = \tfrac{1}{2}\big(1-\cos(\theta_i-\theta_j)\big),\quad \beta = 0.1$$
🔄 3. 회전 불변의 선택
기본 형상 문맥은 절대 좌표계를 쓰므로 회전에 불변이 아닙니다. 완전한 회전 불변이 필요하면 각 점의 접선 방향을 양의 $x$ 축으로 삼는 상대 좌표계를 쓰면 됩니다(Sec. 3.3, 부록 A). 그러나 논문은 많은 응용에서 완전 불변이 오히려 해롭다고 강조합니다. 6과 9를 구분해야 하는 숫자 인식이 대표적입니다. 상대 좌표계는 접선 추정 잡음에도 민감합니다.
💡 Key Takeaway 형상 문맥은 “점 하나에 전역 모양을 요약해 넣는” 기술자입니다. 로그-극좌표 60빈이라는 거친 양자화가 오히려 범주 내 변이와 작은 왜곡에 강건하게 만들며, 불변성은 설계로 켜고 끌 수 있습니다.
이분 매칭으로 푸는 대응 문제
대응 문제는 첫 모양의 각 점 $p_i$ 에 둘째 모양의 점 $q_{\pi(i)}$ 를 일대일로 배정해 총비용 $\sum_i C_{i,\pi(i)}$ 를 최소화하는 문제입니다. 스테레오 매칭처럼 풍부한 국소 기술자가 있으면 모호성이 줄어 대응이 쉬워진다는 관찰이 출발점입니다.
🔗 1. 정사각 배정 문제
| 항목 | 내용 |
|---|---|
| 문제 유형 | 가중 이분 그래프 매칭(square assignment) |
| 고전 해법 | 헝가리안 방법, $O(N^3)$ |
| 실제 사용 | Jonker–Volgenant의 최단 증가 경로 알고리즘(더 효율적) |
| 출력 | 순열 $\pi(i)$ |
Gold–Rangarajan 류의 결합 최적화(대응과 변환을 동시에 결정론적 어닐링으로 풂)나 탄성 그래프 매칭과 달리, 비용 행렬이 주어지면 전역 최적해가 다항 시간에 나옵니다. 형상 문맥이 충분히 변별력 있기 때문에 이 분리가 가능합니다.
🪢 2. 더미 노드와 이상치 처리
두 모양의 샘플 수가 다르면 비용 행렬이 정사각이 아니므로 더미 노드를 추가해 맞춥니다. 더미와의 매칭 비용은 상수 $\epsilon_d$ 입니다. 샘플 수가 같아도 더미를 넣을 수 있는데, 이 경우 어떤 점이 비용 $\epsilon_d$ 미만의 실제 상대를 찾지 못하면 더미에 배정됩니다. 즉 $\epsilon_d$ 는 이상치 검출 임계값 역할을 하며, 부분 폐색이나 배경 에지에 대한 강건성을 줍니다.
🔁 3. 대응과 변환의 교대 반복
- 형상 문맥으로 비용 행렬 계산 → 이분 매칭으로 대응 추정
- 대응으로부터 TPS 변환 $T$ 추정, 둘째 모양을 $T$ 로 변형
- 변형된 모양에서 형상 문맥을 다시 계산해 1로
대규모 실험에서는 고정 3회 반복을 썼으며, 더 정교한 종료 규칙도 가능하지만 성능은 세부에 거의 무관했다고 보고합니다. 각 반복마다 모양이 더 가까워지므로 비용 행렬의 모호성이 줄고 대응이 정제됩니다.
💡 Key Takeaway 기술자가 좋으면 대응은 선형 배정 문제로 환원됩니다. 어려운 비볼록 최적화를 피하고, 더미 노드 하나로 이상치까지 처리하는 것이 이 틀의 실용성입니다.
박판 스플라인(Thin-Plate Spline) 변환
TPS 는 대응점 집합을 목표 위치로 옮기면서 평면 전체를 가장 “덜 구부러지게” 보간하는 변환입니다. 3차 스플라인의 2차원 일반화이며, 정규화된 형태에서는 아핀 변환을 극한으로 포함합니다. Bookstein이 생물 형태 변화 모델링에 효과적임을 보인 이후 좌표 변환의 표준 도구가 되었고, 이 논문을 거쳐 VITON과 CP-VTON의 옷 왜곡 모델로 이어집니다.
📐 1. 굽힘 에너지와 보간 해 (Sec. 4)
대응 위치 $p_i=(x_i,y_i)$ 에서 목표값 $v_i$ 가 주어질 때($x’$ 좌표와 $y’$ 좌표 각각 한 번씩), TPS 보간함수 $f$ 는 굽힘 에너지
$$I_f = \iint_{\mathbb{R}^2}\left[\left(\frac{\partial^2 f}{\partial x^2}\right)^2 + 2\left(\frac{\partial^2 f}{\partial x\partial y}\right)^2 + \left(\frac{\partial^2 f}{\partial y^2}\right)^2\right]dx\,dy$$
를 최소화하며 다음 형태를 가집니다.
$$f(x,y) = a_1 + a_x x + a_y y + \sum_{i=1}^{n} w_i\,U\big(|(x_i,y_i)-(x,y)|\big),\qquad U(r) = r^2\log r^2,\ U(0)=0$$
2차 도함수가 제곱적분 가능하려면 다음 제약이 필요합니다(Eq. 7).
$$\sum_i w_i = 0,\qquad \sum_i w_i x_i = \sum_i w_i y_i = 0$$
🧮 2. 선형계와 굽힘 에너지의 닫힌 형태 (Eq. 8–9)
보간 조건 $f(x_i,y_i)=v_i$ 와 제약을 합치면 $(n+3)\times(n+3)$ 선형계가 됩니다.
$$\begin{bmatrix}K & P\\ P^{T} & 0\end{bmatrix}\begin{bmatrix}w\\ a\end{bmatrix} = \begin{bmatrix}v\\ 0\end{bmatrix},\qquad K_{ij} = U(|p_i - p_j|),\quad P_i = (1, x_i, y_i) \tag{8}$$
이 행렬을 $L$ 이라 하면 $L$ 은 비특이이므로 역행렬로 풀 수 있고, $L^{-1}$ 의 좌상단 $n\times n$ 블록을 $A$ 라 할 때
$$I_f \propto v^{T}Av = w^{T}Kw \tag{9}$$
입니다. 즉 굽힘 에너지는 해를 구한 뒤 행렬 이차 형식 하나로 계산되며, 이것이 뒤의 거리 항 $D_{be}$ 가 됩니다.
🎚️ 3. 정규화와 스케일 (Eq. 10)
대응에 잡음이 있으면 정확한 보간 대신 정규화된 목적을 최소화합니다.
$$H[f] = \sum_{i=1}^{n}\big(v_i - f(x_i,y_i)\big)^2 + \lambda\,I_f \tag{10}$$
| 항목 | 내용 |
|---|---|
| 해법 | 선형계의 $K$ 를 $K+\lambda I$ 로 바꾸면 됨 |
| $\lambda=0$ | 정확한 보간 |
| $\lambda\to\infty$ | 최소제곱 아핀 변환으로 퇴화 |
| 스케일 의존성 | 좌표를 $\alpha$ 배 하면 $\lambda$ 를 $\alpha^2$ 배 해야 같은 해. 그래서 $\lambda = \alpha^2\lambda_o$ 로 정규화된 $\lambda_o$ 를 사용($\alpha$ 는 점 쌍 평균 거리). 예시 그림에서는 $\lambda_o=1$ |
정규화 덕분에 이분 매칭이 만든 몇 개의 잘못된 대응이 변환 전체를 찢어 놓지 못합니다.
💡 Key Takeaway TPS는 “제어점은 맞추고 나머지는 최소 굽힘으로”라는 원리를 선형계 하나로 구현합니다. 굽힘 에너지가 닫힌 형태로 나오므로 변형의 크기 자체를 거리로 쓸 수 있고, $\lambda$ 로 아핀과 자유 변형 사이를 연속적으로 조절할 수 있습니다.
형상 거리(Shape Distance)와 분류
형상 거리는 정렬이 끝난 뒤 두 모양이 얼마나 다른지를 하나의 수로 요약하며, 세 항의 가중합입니다. 같은 거리 함수를 K-NN 분류기에 넣어 숫자·3D 물체·실루엣을 모두 인식한다는 것이 이 논문의 주장입니다.
📏 1. 세 가지 항 (Eq. 12–13)
형상 문맥 거리: 최적 대응점 사이 매칭 비용의 대칭 합
$$D_{sc}(P,Q) = \frac{1}{n}\sum_{p\in P}\operatorname{arg\,min}_{q\in Q} C\big(p, T(q)\big) + \frac{1}{m}\sum_{q\in Q}\operatorname{arg\,min}_{p\in P} C\big(p, T(q)\big) \tag{12}$$
외형 거리: 대응점 주변 가우시안 창에서의 밝기 차 제곱합. TPS로 정렬한 뒤 계산하므로 기하 왜곡이 보정된 상태에서 질감·명암을 비교합니다.
$$D_{ac}(P,Q) = \frac{1}{n}\sum_{i=1}^{n}\sum_{\Delta\in\mathbb{Z}^2} G(\Delta)\Big[I_P(p_i+\Delta) - I_Q\big(T(q_{\pi(i)})+\Delta\big)\Big]^2 \tag{13}$$
굽힘 에너지 $D_{be}$: Eq. 9의 $I_f$. 두 모양을 맞추기 위해 필요한 “변형의 양”입니다. 많이 구부려야 맞는 모양은 덜 비슷하다는 직관을 반영합니다.
⚖️ 2. 가중치와 K-NN (Eq. 19)
MNIST에서 쓴 최종 거리는
$$D = 1.6\,D_{ac} + D_{sc} + 0.3\,D_{be} \tag{19}$$
이며, 가중치는 학습 데이터의 $3000\times3000$ 부분집합에서 leave-one-out으로 최적화했습니다. 분류는 K-NN입니다. 최근접 이웃은 표본 수 $n\to\infty$ 에서 1-NN 오류가 베이즈 위험의 2배 이하로 수렴하지만, 실제로 중요한 것은 작은 $n$ 에서의 성능이고, 그것이 거리 함수의 질을 비교하는 척도가 됩니다.
🗂️ 3. 프로토타입 선택: k-medoid 편집 (Sec. 5.2)
범주마다 필요한 저장 뷰 수가 다릅니다. 숫자 4는 0보다 변이가 크고, 구는 한 뷰로 충분하지만 전화기는 여러 뷰가 필요합니다. 논문은 형상 거리 위에서 k-medoid 군집화(프로토타입을 데이터 점으로 제한한 k-means 변형)로 프로토타입을 고르고, 범주당 1개에서 시작해 전체 오분류율이 기준 아래로 내려갈 때까지 오류가 큰 군집을 탐욕적으로 분할합니다. 결과적으로 범주 내 변이가 큰 범주에 더 많은 뷰가 배정됩니다.
💡 Key Takeaway 거리 함수 하나(모양 + 외형 + 변형량)로 여러 도메인을 다룬다는 것이 이 틀의 일반성입니다. 그리고 그 거리 위에서 프로토타입을 적응적으로 고르면 저장 비용과 정확도를 함께 잡을 수 있습니다.
실험 결과
실험은 손글씨 숫자, 3D 물체, 실루엣 검색, 상표 검색의 네 영역에서 같은 알고리즘을 적용합니다.
🔢 1. MNIST 손글씨 (Sec. 6.1, Fig. 7–8)
| 항목 | 설정 / 결과 |
|---|---|
| 데이터 | 학습 60,000 / 테스트 10,000 |
| 샘플 점 | Canny 에지에서 100개 |
| 비용 | 형상 문맥 + 접선 각도($\beta=0.1$) |
| 변환 | 정규화 TPS, 3회 반복 |
| 거리 | $1.6D_{ac}+D_{sc}+0.3D_{be}$, K-NN |
| 결과 | 학습 20,000장 + 3-NN에서 오류율 0.63% (오류 63개) |
| 당시 최고 | 부스티드 LeNet-4, 0.7%, 학습 60,000장 × 10배 합성 왜곡 |
학습 집합 크기를 바꿔 가며 그린 곡선(Fig. 7)에서 형상 거리는 픽셀 SSD보다 모든 크기에서 낮은 오류를 보이며, 특히 학습 표본이 적을 때 격차가 큽니다. 불변성이 기술자에 내장되어 있어 데이터로 불변성을 배울 필요가 없기 때문입니다.
🧸 2. COIL-20 3D 물체 (Sec. 6.2, Fig. 9–10)
| 항목 | 설정 / 결과 |
|---|---|
| 데이터 | 가정용 물체 20종, 턴테이블 5°마다 촬영해 물체당 72뷰 |
| 프로토콜 | 등간격 뷰를 학습, 나머지를 테스트 |
| 비교 | SSD, 형상 거리(SD), k-medoid 프로토타입 + 형상 거리(SD-proto) |
| 결과 | SD-proto가 물체당 평균 4개 뷰로 2.4% 오류 (서론에서는 2.5%로 요약) |
이 데이터셋은 조명 변화가 없어 SSD도 잘 작동하지만, 적응적 프로토타입 선택은 복잡한 물체에 뷰를 더 배정해 같은 저장량으로 오류를 더 낮춥니다. 내부 윤곽의 에지 점도 쓰이므로 실루엣만 보는 방법보다 정보가 많습니다.
🖼️ 3. MPEG-7 실루엣 검색과 상표 (Sec. 6.3–6.4)
| 실험 | 설정 | 결과 |
|---|---|---|
| MPEG-7 CE-Shape-1 part B | 1,400장(70범주 × 20), 불스아이 테스트(상위 40개 중 정답 수), 샘플 점 300개, 회전·반전 대응을 위해 $\mathrm{dist}(Q,R)=\min{\mathrm{dist}(Q,R_a),\mathrm{dist}(Q,R_b),\mathrm{dist}(Q,R_c)}$ (원본·상하반전·좌우반전) | 검색률 76.51% (당시 최고 Latecki 76.45%, Mokhtarian 75.44%) |
| Kimia 실루엣(부록 A) | 100점, 접선 기준 상대 좌표계, 변환 모델 없이 1회 매칭 비용만 사용 | 1·2·3위 최근접 이웃 정확도 25/25, 24/25, 22/25 |
| 상표 300개 | 아핀 변환 모델, 300점, 침해 후보가 적어도 하나 있는 질의 8개 | 침해 후보가 상위에 검색됨. 시각적으로 유사한 상표를 놓친 경우 없음(수동 확인) |
💡 Key Takeaway 네 실험의 공통점은 같은 알고리즘, 같은 거리 함수입니다. 도메인별 조정은 샘플 점 수, 변환 모델(TPS/아핀/없음), 좌표계(절대/상대) 정도이며, 그럼에도 각 벤치마크에서 당시 최고 수준을 냈습니다.
가상 피팅으로의 연결과 한계
가상 피팅 연구에서 이 논문이 중요한 이유는 VITON(2018)이 옷 왜곡에 형상 문맥 매칭 + TPS를 그대로 사용했고, CP-VTON 이후의 모든 “왜곡 모듈” 논의가 이 틀의 한계를 출발점으로 삼기 때문입니다.
👕 1. VITON에서의 사용
| 형상 문맥 논문의 요소 | VITON에서의 대응 |
|---|---|
| 두 점 집합 $P, Q$ | 상점 옷의 전경 마스크 윤곽 vs 1단계가 예측한 사람 위 옷 마스크 윤곽 |
| 이분 매칭 대응 | 두 마스크 윤곽 점의 대응 |
| TPS 변환 $T$ | 옷 이미지 전체를 사람 몸에 맞게 왜곡하는 변환 |
| 외형 비용 $D_{ac}$ | 사용하지 않음(이진 마스크만 매칭) |
VITON은 학습 없이 바로 쓸 수 있다는 장점 때문에 이 방법을 택했고, Siamese 네트워크로 TPS를 학습하는 대안보다 경험적으로 나았다고 보고했습니다.
⚠️ 2. 가상 피팅 맥락에서 드러난 한계
- 속도 : 샘플링, 비용 행렬, $O(N^3)$ 배정, TPS 선형계를 CPU에서 수행해 VITON에서 쌍당 180 ms, CP-VTON 측정으로는 약 2초가 걸립니다. CP-VTON은 이를 TPS 파라미터를 직접 회귀하는 GMM(GPU 0.06초)으로 대체했습니다.
- 이진 마스크의 정보 부족 : 윤곽만 매칭하므로 옷 내부 구조(소매선, 목선, 프린트 위치)를 활용하지 못합니다. 학습 기반 왜곡은 RGB 옷 이미지를 직접 봅니다.
- 1단계 오류 전파 : 사람 위 옷 마스크가 틀리면 대응과 변환이 모두 틀립니다.
- 위상 변화 불가 : TPS는 연속 변형이므로 반소매 ↔ 긴소매처럼 덮는 영역의 위상이 바뀌는 피팅을 표현할 수 없습니다(VITON-GAN이 명시적으로 지적).
- end-to-end 불가 : 매칭이 미분 불가능하므로 생성 네트워크와 함께 최적화되지 않습니다.
🚀 3. 이후 왜곡 모델의 계보
| 세대 | 방법 | 변형의 자유도 |
|---|---|---|
| 고전 | 형상 문맥 + TPS (이 논문, VITON) | 윤곽 대응점 수만큼, 학습 없음 |
| 학습 TPS | CP-VTON GMM, CP-VTON+ | $5\times5$ 제어점 회귀 |
| 외형 흐름 | ClothFlow, PF-AFN, HR-VITON | 픽셀 단위 흐름 |
| 패치 기하 | PASTA-GAN 호모그래피 | 신체 부위별 사영 변환 |
| 암묵적 | 확산 모델 기반 피팅 | 명시적 왜곡 없음 |
🧭 4. 논문 자체의 한계
- 대응과 변환을 분리해 푸는 것은 기술자가 충분히 변별력 있을 때만 성립합니다. 반복적 패턴이나 대칭 모양에서는 이분 매칭이 틀린 대응을 내고 TPS가 이를 증폭할 수 있습니다.
- 점 샘플링 밀도와 빈 수, $\epsilon_d$, $\lambda_o$, 거리 가중치가 모두 수동 설정이며 도메인마다 조정이 필요합니다.
- 모든 쌍에 대해 매칭을 수행하는 K-NN은 데이터베이스가 커지면 비용이 큽니다. 프로토타입 편집이 완화책이지만 근본 해결은 아닙니다.
- 강건성(아핀 변형, 폐색, 이상치)은 실험적으로만 평가되며 이론적 보장은 없습니다.
💡 Key Takeaway 형상 문맥 + TPS는 “대응을 찾고, 최소 굽힘으로 정렬하고, 남은 차이를 잰다”는 모양 비교의 표준 문법을 세웠습니다. 가상 피팅은 이 문법을 옷 왜곡에 빌려 썼고, 그 속도·정보량·위상·미분 가능성의 한계를 하나씩 학습 모듈로 대체하며 발전했습니다.