ドメイン一般化の問題は、複数の訓練ドメインから学習し、その特徴に依存しないモデルを抽出し、未知のドメインに適用することである。ドメイン一般化（Domain Generalization: DG）は、ターゲットドメインが独自の特性を持つ一方で、訓練データが少ない状況において明確な動機付けを持っている。例えば、スケッチ画像での認識は、写真よりも抽象的で稀であるため、このような状況がよく見られる。しかし、DG手法は主に写真のみのベンチマークで評価されており、これらのベンチマークではドメインの独自性とデータの希少性が最小限である場合でもデータセットバイアスを軽減することに焦点を当てている。我々はこれらのベンチマークが過度に単純であり、単純な深層学習ベースラインがそれらで驚くほど良好な性能を示すことを指摘する。本論文では以下の2つの主要な貢献を行う：第一に、深層学習手法の有利なドメインシフトへのロバスト性を活かし、エンドツーエンドのDG学習用の低ランクパラメータ化CNNモデルを開発する。第二に、写真、スケッチ、アニメーション、絵画の各ドメインをカバーするDGベンチマークデータセットを開発する。これは既存のベンチマークよりも実践的に関連性が高く（大きなドメインシフトがある）、より困難である。結果は我々の手法が既存のDG手法を上回り、我々のデータセットが将来の研究を推進するための一層重要なDG課題を提供していることを示している。