장면 해석(Scenario Parsing)은 현대 자율주행 시스템의 핵심 요소 중 하나이다. 기존의 세분화(Semantic Segmentation) 연구 대부분은 양호한 날씨와 조명 조건을 갖춘 주간 장면에 초점을 두고 있다. 본 논문에서는 실내와 실외 환경의 데이터 도메인 간 차이를 줄이기 위해 합성 데이터에서 실제 데이터로의 도메인 매핑 기법을 활용한 새로운 딥 아키텍처인 NiSeNet을 제안한다. NiSeNet은 이중 채널 구조를 가진 네트워크로, 공간 정보를 유지하기 위해 DeepLabV3+와 MSE 손실 함수를 결합한 '실제 채널(Real channel)'을 설계하였다. 또한, 합성 이미지와 실제 이미지 간 도메인 간격을 줄이기 위해 적응형 채널(Adaptive channel)을 도입하였으며, 이는 실제 채널의 출력 오류를 보완하는 역할도 수행한다. 이 이중 채널 구조 외에도, 두 채널의 출력을 효과적으로 융합하기 위한 새로운 융합 기법을 제안하였다. 더불어, 기존의 Cityscapes 데이터셋과 동일한 클래스 구조를 갖는 75개의 야간 이미지에 픽셀 단위 라벨링이 포함된 새로운 데이터셋인 '도시 야간 주행 데이터셋(Urban Night Driving Dataset, UNDD)'을 구축하였다. UNDD는 총 7,125개의 라벨링되지 않은 주간 및 야간 이미지를 포함하고 있다. 제안한 방법은 베이크리 지도 데이터셋(Berkeley Deep Drive dataset), 도전적인 Mapillary 데이터셋, 그리고 UNDD 데이터셋에서 평가되었으며, 정확도 및 시각적 품질 측면에서 기존 최고 수준의 기법들을 능가함을 입증하였다.