악천후 조건에서의 시맨틱 분할(semantic segmentation)을 위한 비지도 도메인 적응(UDA)은 극심한 외형 변화로 인해 도메인 격차가 커지고 타깃 도메인 내 의사 레이블(pseudo label)의 신뢰도가 저하되기 때문에 여전히 어려운 과제로 남아 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 클래스 내 믹싱된 이미지와 원본 이미지 간의 예측 일관성을 강제하는 ICM(Intra-Class Mixing Consistency) 프레임워크를 제안합니다. 서로 다른 이미지나 도메인 간의 영역을 결합하여 비현실적인 의미적 불일치를 유발할 수 있었던 기존의 믹싱 기반 일관성 방법들과 달리, ICM은 동일한 이미지 및 의미론적 클래스 내에서 믹싱을 수행하여 일관성 정규화(consistency regularization)를 위한 현실적인 의미론적 배치를 보존합니다. ICM을 통해 본 연구는 시맨틱 분할 분야의 맑은 날씨에서 악천후 환경으로의 비지도 도메인 적응(UDA)에서 최고 성능(SOTA)을 달성했습니다. Cityscapes $\rightarrow$ ACDC 벤치마크에서 제안 기법은 75.7\% mIoU를 달성하여 기존 최고 성능을 +1.9%p 능가하였으며, 까다로운 환경 조건에서도 클래스 혼동을 완화하는 데 효과적임을 입증했습니다. 코드는 보충 자료에서 제공됩니다.
드롭아웃 기반 희소 뷰 3D 가우시안 스플래팅(3DGS) 방법들은 학습 중 가우시안 프리미티브를 무작위로 억제하여 과적합을 완화한다. 기존 방법들은 주로 점점 더 정교한 드롭아웃 전략 설계에 초점을 맞추지만, 서로 다른 드롭아웃된 가우시안 부분집합 사이에서 발생하는 불일치는 간과한다. 이러한 간과는 종종 불안정한 재구성과 차선의 가우시안 표현 학습으로 이어진다. 본 논문에서는 드롭아웃 기반 희소 뷰 3DGS를 일관성 정규화 관점에서 재검토하고, 희소 뷰 가우시안 스플래팅을 위한 페어드 드롭아웃 유도 일관성 정규화 프레임워크인 PairDropGS를 제안한다. 구체적으로 PairDropGS는 공유 가우시안 필드에서 드롭아웃된 가우시안 부분집합 한 쌍을 구성하고, 이들의 저주파 렌더링 구조를 제약하는 저주파 일관성 정규화를 설계한다. 이 설계는 공유 가우시안 필드가 서로 다른 무작위 드롭아웃 하에서도 안정적인 장면 배치와 거친 기하를 유지하도록 유도하면서, 모호한 고주파 세부에 대한 과도한 제약은 피한다. 또한 재구성의 안정성과 견고성을 위해 학습 동안 일관성 정규화를 점진적으로 강화하는 점진적 일관성 스케줄링 전략을 도입한다. 널리 사용되는 희소 뷰 벤치마크에 대한 광범위한 실험에서 PairDropGS는 우수한 학습 안정성을 달성하고, 재구성 품질에서 기존 드롭아웃 기반 3DGS 방법들을 크게 능가하며, 드롭아웃 기반 최적화를 개선하기 위한 단순함과 plug-and-play 특성을 보인다.