クラウドカウンティングにおいて、各トレーニング画像には複数の人物が含まれており、それぞれの人物はドットとしてアノテーションされる。従来のクラウドカウンティング手法では、各アノテーションドットをガウシアンで平滑化するか、あるいはアノテーション点を前提とした各ピクセルの確率を推定する必要がある。本論文では、アノテーションにガウシアンを強制的に適用することが一般化性能を低下させることを示す。代わりに、分布マッチングを用いたクラウドカウンティング手法であるDM-Count（Distribution Matching for crowd COUNTing）を提案する。DM-Countでは、正規化された予測密度マップと正規化された真値密度マップの類似性を最適輸送（Optimal Transport, OT）により測定する。OT計算の安定化のため、モデルに全変動損失（Total Variation loss）を導入している。本研究では、DM-Countの一般化誤差の上限が、ガウシアン平滑化手法よりも tighter（より緊密）であることを示す。平均絶対誤差（Mean Absolute Error）の観点から、DM-CountはUCF-QNRFおよびNWPUという2つの大規模カウンティングデータセットにおいて、従来の最先端手法を大きく上回り、ShanghaiTechおよびUCF-CC50データセットでも最先端の性能を達成した。特に、既存の公表済み手法の誤差を約16％低減した。コードは以下のURLで公開されている：https://github.com/cvlab-stonybrook/DM-Count。