Le transfert de style arbitraire (AST) et la généralisation de domaine (DG) constituent des tâches importantes mais complexes dans le domaine de l’apprentissage visuel, pouvant être formulées comme un problème d’alignement de distributions de caractéristiques. Sous l’hypothèse d’une distribution gaussienne des caractéristiques, les méthodes classiques d’alignement de distribution se limitent généralement à l’ajustement de la moyenne et de l’écart-type des caractéristiques. Toutefois, les distributions réelles des caractéristiques dans les données du monde réel sont souvent bien plus complexes que gaussiennes, et ne peuvent être précisément modélisées en se basant uniquement sur les statistiques d’ordre un et deux. D’autre part, l’utilisation de statistiques d’ordre supérieur pour l’alignement de distribution s’avère computalement prohibitif. Dans ce travail, pour la première fois, à notre connaissance, nous proposons une méthode de correspondance exacte des distributions de caractéristiques (EFDM), consistant à aligner exactement les fonctions empiriques de répartition cumulative (eCDF) des caractéristiques d’image, ce qui peut être réalisé par application de la correspondance d’histogramme exacte (EHM) dans l’espace des caractéristiques d’image. En particulier, un algorithme EHM rapide, nommé Sort-Matching, est utilisé pour réaliser EFDM de manière plug-and-play, avec un coût minimal. L’efficacité de notre méthode EFDM est validée sur diverses tâches d’AST et de DG, démontrant des résultats de pointe. Le code source est disponible à l’adresse suivante : https://github.com/YBZh/EFDM.