모든 구조에 관한 것: 영역 간 구조 정보의 적응을 통한 의미 분할 향상

본 논문에서는 지도 학습이 없는 영역 적응 문제를 다루며, 특히 의미 분할 작업에서 합성 데이터셋의 정답 라벨을 실제 이미지로 전송하는 방법을 연구합니다. 실제 이미지는 어떠한 주석도 없이 제공됩니다. 이미지의 구조적 내용이 의미 분할에 가장 유익하고 결정적인 요소이며, 이는 쉽게 여러 영역 간에 공유될 수 있다는 가설 하에, 우리는 Domain Invariant Structure Extraction (DISE) 프레임워크를 제안합니다. 이 프레임워크는 이미지를 영역 간 공통 구조와 영역 특유의 텍스처 표현으로 분리하여, 영역 간 이미지 변환을 실현하고 라벨 전송을 가능하게 함으로써 분할 성능을 개선합니다. 광범위한 실험 결과가 제안된 DISE 모델의 효과성을 검증하며, 이를 통해 몇몇 최신 접근법보다 우수함을 입증하였습니다.