생성 자료로 학습 조건 넓히기
분할망을 좁은 외형의 자료로만 학습하면 미관측 환경에서 어려움을 겪을 수 있다. DGInStyle은 잠재 확산 모형이 가진 생성 사전을 이용해 다양한 거리 장면 자료를 만들고 도메인에 덜 묶인 의미 분할을 학습하려 한다.
의미 제어와 생성 사전 연결
좁은 도메인의 의미 제어 생성에 사전 학습 모형을 특화하는 문제를 살핀다. Style Swap은 풍부한 생성 사전에 학습한 의미 제어를 부여하도록 제안된 기법이다.
주요 물체 편향의 보완
다중 해상도 잠재 융합은 잠재 확산 모형이 지배적인 물체에 치우치는 문제를 다루려 한다. 생성 자료로 학습한 분할망을 여러 주행 데이터셋에서 평가한다. 생성량이 늘었다고 자료의 의미 정합성이 자동 확보되는 것은 아니다.
생성 검토의 독립 예
설명용으로 의미 지도에 작은 표지판이 있어도 생성 결과에서 사라지면 이미지와 감독이 어긋난다. 시각적 다양성뿐 아니라 작은 물체의 보존도 확인해야 한다. 실제 연구 이미지를 옮기지 않은 자료 품질의 예다.
관련 문서
잠재 확산 모형 / 도메인 일반화 / 의미 분할 / DAFormer / HRDA / 푸리에 진폭 혼합 일반화