이 논문은 밀도 높은 안개 상황에서의 세분화 분야 적응을 위한 새로운 접근법인 FogAdapt를 제안한다. 기존의 세분화 분야 적응에 있어서는 도메인 차이를 줄이기 위한 연구가 상당히 진행되었지만, 악천후 조건(예: 안개, 스모그, 황사 등)이 있는 장면에 대한 적응은 여전히 미해결 과제로 남아 있다. 기상 조건으로 인해 장면의 가시도가 크게 변할 경우, 도메인 차이가 더욱 심화되며, 이로 인해 이러한 상황에서 비지도 적응이 어렵게 된다. 본 연구에서는 안개 상황에서의 도메인 차이를 최소화하기 위해 자기 엔트로피와 다중 해상도 정보를 활용한 자기지도 학습 기반 도메인 적응 방법(FogAdapt)을 제안한다. 분할 확률의 자기 엔트로피가 안개 밀도가 증가할수록 증가한다는 경험적 사실을 바탕으로, 자기 엔트로피 기반의 손실 함수를 도입하여 적응 과정을 안내한다. 또한, 다양한 이미지 해상도에서 얻은 추론 결과를 불확실성에 따라 가중 평균하여 목표 도메인에 대해 척도 불변성(스케일 인버시안트)을 갖는 가상 레이블을 생성한다. 이러한 척도 불변성 가상 레이블은 가시도와 해상도 변화에 대해 강건하다. 제안된 모델은 실제 맑은 날씨 장면에서 실제 안개 상황 장면으로의 적응, 그리고 합성된 비안개 이미지에서 실제 안개 장면으로의 적응이라는 두 가지 시나리오에서 평가되었다. 실험 결과, FogAdapt는 안개 이미지의 세분화 분야에서 현재 최고 수준의 기술(SOTA)을 크게 상회함을 입증하였다. 특히, Cityscapes에서 Foggy Zurich로의 적응 시 기존 SOTA 방법과 비교해 mIoU 기준으로 Foggy Zurich에서 3.8%, Foggy Driving-dense에서 6.0%, Foggy Driving에서 3.6%의 성능 향상을 달성하였다.