EgoForce: 단일 전면 카메라로 손과 아래팔의 절대 3D 포즈·형상 복원, SIGGRAPH 2026 채택

커뮤니티 반응은 대체로 축하와 기술적 관심이 혼재했다. 많은 사용자가 단안 복원의 어려움과 아래팔을 포함한 모델링의 실효성에 대해 질문과 응답을 주고받았으며 데모와 코드 공개에 긍정적인 피드백이 붙었다. 동시에 단안 연구의 장기적 가치에 대해 다중 카메라 하드웨어 비용·무게 감소와의 균형을 놓고 의견이 분열되었다.

• 단안 손 재구성 연구를 실무에 적용할 경우 카메라 내재율을 데이터 파이프라인에 명시적으로 포함시키고 렌즈 왜곡을 고려한 광선 변환을 도입하면 기기 간 일반화 가능성이 높아진다.
• 아래팔과 손을 분리된 모듈로 처리하는 대신 하나의 통합적 출력을 예측하면 깊이-스케일 불확실성과 부분 가림 문제를 완화하는 데 도움이 될 수 있다.
• 공개된 코드와 인터랙티브 데모를 통해 자신의 데이터셋에서 실험하여 실측값과 재구성값의 정합성을 먼저 확인한 뒤 실장 설계(카메라 위치·화각)를 최적화하는 절차를 권장한다.

Ray-space

— 카메라에서 출발하는 광선(ray)을 3차원 좌표계에서 직접 다루는 표현 방식으로, 이미지 좌표 대신 광선 방향과 원점을 기반으로 장면을 재구성한다. 본문에서는 이 표현을 통해 카메라 렌즈 왜곡이나 다양한 화각을 통일적으로 처리하고 단안 영상에서 절대 위치를 복원하는 핵심 수단으로 사용했다. Ray-space는 깊이-스케일 불확실성을 완화하는 데 기여하여 서로 다른 기기에서 동일한 모델을 적용 가능하게 한다.

Camera Intrinsics

— 이미지 평면과 실제 3차원 장면을 연결하는 카메라의 초점거리 및 렌즈 중심 등 내부 파라미터로, 픽셀 좌표를 광선으로 변환하는 데 필수적이다. 본문에서는 네트워크 입력으로 카메라 내재율을 조건화하여 동일한 모델이 perspective, fisheye, 왜곡된 wide-FOV 카메라에서 동작하도록 만들었다. 이 접근은 기기별 보정 정보 없이도 절대 위치 복원 정확도를 향상시켰다.

Forearm Geometry Cue

— 손을 고립된 객체로 취급하는 대신 아래팔의 형상과 방향을 함께 예측하여 길이 및 상대적 위치에 대한 추가적인 계측 단서를 얻는 방식이다. 이 작업은 단안 영상에서 발생하는 깊이-스케일 불명확성과 부분 가림 문제를 완화하기 위해 활용되며, 본문 방법은 아래팔 기하학을 추가 메트릭 신호로 사용해 절대 좌표 복원을 개선했다. 해당 단서는 실측과 재구성 값의 정합성을 높이고 단일 카메라에서도 실험적으로 유효함이 보고되었다.