DRANet‑SWD: 스타일 정렬을 강화한 비지도 도메인 적응 프레임워크

초록

본 논문은 기존 DRANet에 스타일 손실을 Gram 행렬에서 Sliced Wasserstein Discrepancy(SWD)로 교체한 DRANet‑SWD를 제안한다. SWD는 고차원 특징 분포 전체를 비교함으로써 보다 정교한 스타일 정렬을 가능하게 하며, 숫자 이미지 도메인 적응과 합성‑실제 운전 장면 세그멘테이션 실험에서 성능 향상을 입증한다.

상세 분석

DRANet‑SWD는 비지도 도메인 적응(UDA)에서 콘텐츠와 스타일을 명시적으로 분리하는 구조를 유지하면서, 스타일 정렬에 사용되는 손실 함수를 근본적으로 바꾸었다. 기존 DRANet은 VGG‑19 기반 퍼셉추얼 네트워크에서 추출한 특징들의 Gram 행렬을 이용해 스타일을 매칭했으며, 이는 2차 통계(공분산)만을 반영한다. 그러나 Gram 손실은 복잡한 텍스처나 도메인 간 해상도 차이, 색상 변동을 충분히 포착하지 못한다는 한계가 있다.

SWD는 최적 수송 이론에 기반한 거리 측정법으로, 고차원 특징을 무작위 방향 벡터에 투사한 뒤 1차원 정렬된 스칼라 집합 간 L2 거리를 계산한다. 이 과정은 특징 분포의 전체 순간(moment)을 고려하므로, Gram 손실이 놓치는 고차 통계 정보를 보존한다. 논문에서는 각 퍼셉추얼 레이어 l∈L_S에 대해 L_SWD(F_l, F’_l) = E_V