연구진은 RGB와 깊이 정보가 항상 존재한다는 가정하에 학습된 의미론적 분할 모델의 한계를 지적했어요. 센서 오류로 인해 RGB 또는 깊이 정보가 누락될 경우 모델 성능이 급격히 저하돼요. Condition Dropout(ConD)이라는 새로운 학습 패러다임을 통해 이러한 문제를 해결하고, 완전한 모달성 상태에서도 정확도를 유지했어요.
ConD는 사전 학습된 RGB-D 모델을 기반으로, RGB 또는 깊이 정보가 누락된 상태를 무작위로 시뮬레이션하여 추가 학습을 진행해요. 이 과정에서 기존 인코더는 고정되고, 새로운 인코더는 초기화된 특징을 주입받아 학습돼요.
NYU-Depth V2 및 SUN RGB-D 데이터셋 실험 결과, ConD는 누락된 모달성 상태에서 모델의 견고성을 향상시키고, 완전한 모달성 상태에서도 약간의 성능 향상을 이끌어냈어요.