構造に関するすべて：ドメイン間の構造情報の適応を用いた意味分割の向上

本論文では、セマンティックセグメンテーションのタスクにおける無教師ドメイン適応の問題に取り組んでいます。具体的には、真値ラベルが付与された合成データセットから学習した知識を、一切のアノテーションがない実世界の画像へと転移させることを目指しています。画像の構造的内容が最も情報量が多く、決定的な要因であり、ドメイン間で容易に共有できるという仮説のもと、我々はドメイン不変構造抽出（Domain Invariant Structure Extraction: DISE）フレームワークを提案します。このフレームワークは、画像をドメイン不変構造とドメイン特有のテクスチャ表現に分離し、さらにドメイン間での画像翻訳を実現し、ラベル転移を可能にしてセグメンテーション性能の向上を図ります。広範な実験により、提案したDISEモデルの効果性が確認され、いくつかの最先端手法に対する優位性も示されています。