다중 소스 도메인 적응을 통한 세분화 분할

세밀 분할을 위한 시뮬레이션에서 실제 환경으로의 도메인 적응은 자율 주행과 같은 다양한 응용 분야에서 적극적으로 연구되고 있다. 기존의 방법들은 주로 단일 소스 설정에 초점을 맞추고 있으며, 서로 다른 분포를 가진 다수의 소스가 존재하는 더 현실적인 상황을 쉽게 다루지 못하는 한계가 있다. 본 논문에서는 세밀 분할을 위한 다중 소스 도메인 적응을 탐구한다. 구체적으로, 종단 간(end-to-end)으로 학습이 가능한 새로운 프레임워크인 다중 소스 적대적 도메인 집계 네트워크(Multi-source Adversarial Domain Aggregation Network, MADAN)를 제안한다. 먼저, 각 소스에 대해 동적 세밀한 일관성을 유지하면서 동시에 타겟 도메인으로 향하는 픽셀 수준의 사이클 일관성으로 정렬되는 적응된 도메인을 생성한다. 다음으로, 서로 다른 적응된 도메인 간의 집계를 더욱 강화하기 위해 하도메인 집계 판별기(sub-domain aggregation discriminator)와 교차 도메인 사이클 판별기(cross-domain cycle discriminator)를 제안한다. 마지막으로, 분할 네트워크를 학습하는 과정에서 집계된 도메인과 타겟 도메인 간의 특징 수준에서의 정렬을 수행한다. 합성 데이터셋인 GTA 및 SYNTHIA에서 실제 데이터셋인 Cityscapes 및 BDDS로의 광범위한 실험 결과는 제안된 MADAN 모델이 기존 최고 성능 기법들을 능가함을 입증한다. 본 연구의 소스 코드는 다음 링크에서 공개된다: https://github.com/Luodian/MADAN.