Genaue Anpassung der Merkmalsverteilung für beliebige Stilübertragung und Domänenverallgemeinerung

Arbitrary Style Transfer (AST) und Domain Generalization (DG) sind wichtige, jedoch herausfordernde Aufgaben im Bereich des visuellen Lernens, die als Problem der Merkmalsverteilungsanpassung formuliert werden können. Unter der Annahme einer gaußschen Merkmalsverteilung passen herkömmliche Methoden zur Merkmalsverteilungsanpassung üblicherweise lediglich den Mittelwert und die Standardabweichung der Merkmale an. Die Merkmalsverteilungen realer Daten sind jedoch in der Regel deutlich komplexer als gaußförmig und können durch die alleinige Verwendung von ersten und zweiten Momenten nicht präzise erfasst werden. Die Verwendung von höheren Momenten zur Verteilungsanpassung ist hingegen rechnerisch oft unpraktikabel. In dieser Arbeit schlagen wir, soweit uns bekannt ist, erstmals eine exakte Merkmalsverteilungsanpassung (Exact Feature Distribution Matching, EFDM) vor, indem wir die empirischen kumulativen Verteilungsfunktionen (eCDFs) der Bilddatenmerkmale exakt anpassen. Dies kann durch die Anwendung der exakten Histogramm-Übereinstimmung (Exact Histogram Matching, EHM) im Merkmalsraum der Bilder realisiert werden. Insbesondere wird ein schneller EHM-Algorithmus, namens Sort-Matching, eingesetzt, um die EFDM in einer plug-and-play-Weise mit minimalem Aufwand durchzuführen. Die Wirksamkeit unseres vorgeschlagenen EFDM-Ansatzes wird an einer Vielzahl von AST- und DG-Aufgaben bestätigt und zeigt neue SOTA-Ergebnisse. Der Quellcode ist unter https://github.com/YBZh/EFDM verfügbar.