초록
이 논문은 도전적이고 적대적인 기상 조건에서 적응형 표현 학습을 위한 새로운 프레임워크인 WARLearn를 소개한다. Barlow Twins에서 사용된 인버리언스 원리(invariance principle)를 활용하여, 초기에 맑은 날씨 데이터로 훈련된 기존 모델이 악천후 조건을 효과적으로 처리할 수 있음을 입증한다. 추가적인 훈련이 거의 필요 없음에도 불구하고, 이 방법은 안개와 저조도 조건이 특징인 시나리오에서 뛰어난 성능 향상을 보인다. 이러한 적응형 프레임워크는 악천후 환경을 넘어서, 데이터 분포의 변동이 존재하는 다양한 분야에도 유용하게 적용될 수 있으며, 시간이 지남에 따라 데이터 분포가 크게 변화하는 상황에서도 모델이 최신 상태로 유지되고 정확성을 유지할 수 있도록 한다. 실험 결과, 실세계 안개 데이터셋(RTTS)에 대한 미관측 시나리오에서 평균 정밀도(mAP)가 52.6%에 달하며, 저조도 조건에서는 실세계 저조도 데이터셋(ExDark)에서 mAP 55.7%의 뛰어난 성능을 기록한다. 특히 WARLearn는 FeatEnHancer, Image Adaptive YOLO, DENet, C2PNet, PairLIE, ZeroDCE 등 최첨단 프레임워크들을 상당한 격차로 능가하여, 안개 및 저조도 조건 모두에서 기준 모델 성능을 크게 향상시킨다. WARLearn의 소스 코드는 다음 링크에서 공개되어 있다: https://github.com/ShubhamAgarwal12/WARLearn