일반적인 의미 분할 솔루션은 본질적으로 p(class|pixel feature)에 대한 밀집형 판별 분류기이다. 비록 간단하지만, 이 사실상의 패러다임은 기본적인 데이터 분포 p(pixel feature|class)를 간과하며, 분포 외 데이터(out-of-distribution data)를 식별하는 데 어려움을 겪는다. 이를 넘어, 우리는 각 픽셀 특징과 클래스의 결합 분포 p(pixel feature, class)를 위한 밀집형 생성 분류기를 기반으로 하는 새로운 분할 모델 가족인 GMMSeg를 제안한다. 각 클래스에 대해 GMMSeg는 기대값 최대화(Expectation-Maximization, EM)를 통해 가우시안 혼합 모델(Gaussian Mixture Models, GMMs)을 구축함으로써 조건부 밀도(클래스 조건부 밀도)를 효과적으로 포착한다. 동시에, 깊은 밀집 표현은 판별적 방식으로 엔드투엔드(end-to-end) 학습되며, 즉 p(class|pixel feature)를 최대화하는 방식으로 학습된다. 이로 인해 GMMSeg는 생성 모델과 판별 모델의 장점을 모두 갖추게 된다. 다양한 분할 아키텍처와 백본을 사용하여, GMMSeg는 세 가지 폐쇄세트(closed-set) 데이터셋에서 판별적 대안 모델들을 능가한다. 더욱 놀라운 점은, 어떠한 수정 없이도 GMMSeg가 개방세트(open-world) 데이터셋에서도 우수한 성능을 발휘한다는 점이다. 본 연구가 관련 분야에 근본적인 통찰을 제공할 것이라 믿는다.