확률적 도메인 특성화: 날씨 파라미터를 정규화 흐름으로 예측

초록

본 논문은 차량 카메라 이미지로부터 날씨 관련 물리 파라미터의 확률 분포를 추정하는 새로운 도메인 특성화 방법을 제안한다. 정규화 흐름(Normalizing Flow)을 이용한 시뮬레이션 기반 추론(SBI)으로 다중 파라미터의 공동 분포를 학습하고, 이를 절대·상대 도메인 특성화와 안전성 검증에 활용한다. CARLA 시뮬레이터 기반 실험을 통해 제안 방법의 해석 가능성과 신뢰성을 입증한다.

상세 분석

이 논문은 기존의 회귀·분류 기반 도메인 특성화가 제공하는 단일값 요약을 넘어, 도메인을 확률 분포로 표현함으로써 불확실성을 정량화한다는 근본적인 전환을 시도한다. 핵심 기술은 정규화 흐름(Normalizing Flow, 특히 Neural Spline Flow)과 시뮬레이션 기반 추론(Simulation‑Based Inference, SBI)이다. 정규화 흐름은 복잡한 고차원 분포를 가역적인 변환을 통해 표준 정규분포와 매핑함으로써, 확률 밀도 함수(PDF) 평가와 샘플링을 효율적으로 수행한다. 논문에서는 LAMPE와 ZUKO 라이브러리를 활용해 NPE(Neural Posterior Estimation) 형태의 정규화 흐름 모델을 학습하고, 이미지 → 물리 파라미터(구름량, 안개 밀도, 강수량, 태양 고도, 풍속, 강수 잔류물) 간의 사후 분포를 추정한다.

데이터는 CARLA 시뮬레이터에서 13개의 날씨 파라미터 중 6개를 목표로 635 k 장의 이미지와 대응하는 라벨을 생성한 뒤, 600 k 장을 학습, 35 k 장을 테스트에 사용한다. 백본으로는 ResNet‑50, DINOv2, CLIP을 고정(frozen)하고, 이미지 특징을 정규화 흐름에 입력한다. 평가 방법으로는 히스토그램 시각화, 코너 플롯(corner plot) 및 커버리지 플롯을 통한 캘리브레이션 검증, 그리고 Posterior Predictive Check(PPC)으로 시뮬레이션 재현성을 확인한다. 결과는 대부분의 파라미터가 68 % 신뢰 구간 내에서 의미 있는 분포를 보이며, 특히 안개·구름·강수와 같은 시각적 변수가 이미지에 미치는 영향을 정량화한다.

또한 논문은 두 번째·세 번째 과제로(1) 다중 이미지(배그) 기반 절대 특성화와 (2) 사전 정의된 소스 도메인 집합과의 비교를 통한 상대 특성화를 제시한다. 상대 특성화에서는 목표 도메인의 사후 분포를 여러 소스 도메인의 혼합 모델로 표현하고, KL‑다이버전스 기반 유사도 측정을 통해 안전성 판단 기준을 제시한다. 이는 SAE가 정의한 ODD(Operational Design Domain)와 직접 연결될 수 있는 실용적인 프레임워크를 제공한다.

한계점으로는 시뮬레이션 기반 데이터에 의존한다는 점, 실제 센서 노이즈와 도메인 간 격차가 존재할 가능성, 정규화 흐름 학습 시 고차원 이미지 특징을 그대로 입력함에 따라 연산 비용이 크게 증가한다는 점을 들 수 있다. 향후 실제 주행 데이터와의 도메인 적응, 경량화된 흐름 모델 설계, 그리고 비시각적 센서(라이다·레이더)와의 멀티모달 통합이 연구 과제로 남는다.