도메인 변화 (Domain shift)는 의료와 같이 중대한 환경에서 머신러닝 모델을 신뢰성 있게 배포하는 데 있어 여전히 주요한 장애물로 남아 있습니다. 도메인 적응 (Domain adaptation)이 이러한 영향을 완화하는 것을 목표로 하지만, 기존 방식들은 잠재 표현 (Latent representations)의 제한된 표현력과 수작업으로 제작된 정적인 증강 (Augmentations)에 대한 의존성으로 인해 어려움을 겪고 있습니다. 본 연구에서는 특히 의료 영상 분할 (Medical image segmentation)에 최적화된 비지도 도메인 적응 (Unsupervised Domain Adaptation, UDA)을 위한 새로운 딥러닝 아키텍처를 제안함으로써 이러한 한계점들을 해결합니다. 우리의 프레임워크인 ADualVUOT는 모델링 유연성과 사후 표현력 (Posterior expressiveness)을 높이기 위해 이중 인코더 변분 오토인코더 (Variational Autoencoder, VAE)를 연속 정규화 흐름 (Continuous Normalizing Flows, CNFs)과 통합합니다. 도메인 정렬 (Domain alignment)을 달성하기 위해, 우리는 도메인 간의 구조적 및 위상적 불일치를 처리하는 가우시안-그로모프-바서슈타인 (Gaussian-Gromov-Wasserstein, GGW) 거리를 통한 불균형 최적 운송 (Unbalanced Optimal Transport, UOT)을 활용합니다. 또한, 최악의 사례 조합을 합성하기 위해 적대적 증강 (Adversarial augmentation) 기법을 포함하여 모델의 강건성 (Robustness)을 향상시킵니다. 의료 영상 벤치마크에 대한 광범위한 실험 결과, 기존의 최적 운송 (OT) 기반 방식들에 비해 상당한 성능 향상을 보여주었습니다.