연구진이 시맨틱 분할 모델의 데이터 희소성 문제를 해결하기 위해 불확실성을 기반으로 합성 훈련 데이터를 증강하는 새로운 전략을 제안했어요. 기존 방식과 달리 외부 모델 없이 예측 엔트로피를 활용해 불확실한 영역을 식별하고, 보완적인 시각적 맥락만 채워넣어 레이블의 정확성을 유지해요. Cityscapes, UAVID, BDD100K 데이터셋에서 버스, 기차, 자동차와 같은 희귀하거나 어려운 클래스에 대한 성능 향상을 확인했어요.