원본 도메인에서 훈련된 딥 모델은 데이터 분포가 다른 미관측 타겟 도메인에서 평가될 때 일반화 성능이 떨어진다. 특히 타겟 도메인 샘플에 접근할 수 없는 상황에서는 이 문제가 더욱 심각해진다. 본 논문에서는 타겟 도메인 데이터를 사용하지 않고도 도메인 간 불변성(도메인 무관성)을 갖춘 세분화 모델을 학습하는 도메인 일반화 세분화(domain-generalized semantic segmentation) 문제를 다룬다. 기존의 접근 방식은 데이터를 통일된 분포로 표준화함으로써 문제를 해결하려 한다. 그러나 우리는 이러한 표준화 방식이 전반적인 정규화를 촉진하긴 하나, 명확한 세분화 경계를 도출하기에 충분한 구분 능력을 갖춘 특징을 생성하지 못한다는 점을 지적한다. 카테고리 간 분리도를 강화하면서 동시에 도메인 불변성을 동시에 달성하기 위해, 두 가지 새로운 모듈인 의미 인지 정규화(Semantic-Aware Normalization, SAN)와 의미 인지 화이트닝(Semantic-Aware Whitening, SAW)를 포함하는 프레임워크를 제안한다. 구체적으로, SAN은 서로 다른 이미지 스타일에서 유래한 특징 간 카테고리 수준의 중심 정렬을 중심으로 작동하며, SAW는 이미 중심 정렬이 완료된 특징에 대해 분포 수준의 정렬을 강제한다. SAN과 SAW의 도움을 받아, 카테고리 내 특징의 밀도 강화와 카테고리 간 특징의 분리도를 동시에 촉진한다. 제안한 방법은 GTAV, SYNTHIA, Cityscapes, Mapillary, BDDS 등 널리 사용되는 여러 데이터셋에서 광범위한 실험을 통해 검증되었으며, 다양한 백본 네트워크에서 기존 최고 성능 기법들에 비해 상당한 성능 향상을 보였다. 코드는 https://github.com/leolyj/SAN-SAW 에서 공개되어 있다.