Core Concepts
악천후 상황에서 CLIP 기반 언어 가이드를 활용하여 의미 분할 성능을 향상시킬 수 있다.
Abstract
이 논문은 악천후 상황에서 의미 분할 모델의 성능 저하 문제를 다룹니다. 저자들은 WeatherProof라는 새로운 의미 분할 데이터셋을 소개하였는데, 이는 맑은 날씨와 악천후 상황의 정확하게 정렬된 이미지 쌍을 제공합니다. 이를 통해 악천후로 인한 성능 저하를 더 잘 분석할 수 있었습니다.
저자들은 CLIP 기반 언어 가이드 기법을 제안하였습니다. 이 기법은 CLIP 모델의 언어 표현을 활용하여 악천후 효과의 구성을 모델에 주입함으로써, 악천후 상황에서의 성능을 향상시킬 수 있었습니다. 실험 결과, WeatherProof 데이터셋에서 최대 10.2%, ACDC 데이터셋에서 최대 8.44%, A2I2-Haze 데이터셋에서 3.9%의 성능 향상을 보였습니다. 이는 언어 가이드가 자연 악천후뿐만 아니라 인공적인 악천후 상황에서도 효과적임을 보여줍니다.
Stats
악천후 상황에서 의미 분할 모델의 성능이 맑은 날씨 상황에 비해 최대 18.32% 하락할 수 있다.
복합적인 악천후 효과(예: 비 + 안개)가 단일 악천후 효과보다 모델 성능에 더 큰 영향을 미친다.
Quotes
"악천후로 인한 실제 세계의 시각적 열화 패턴은 매우 복잡하며, 이는 대기 상태, 카메라 매개변수 또는 지리적 위치 등 다양한 요인의 영향을 받는다."
"복합적인 날씨 패턴이 단일 날씨 패턴보다 모델에 더 큰 어려움을 준다는 것을 입증한다."