一般化してから適応する：ソースフリー・ドメイン適応型セマンティックセグメンテーション

教師なしドメイン適応（Unsupervised Domain Adaptation, DA）は、意味分割分野において大きな注目を集めている。しかし、これまでの大多数の手法は、ラベル付きのソースデータとラベルなしのターゲットデータを同時に利用可能であることを前提としており、ソースデータにアクセスできない環境（ソースフリー適応）には不適切である。本研究では、タスクを以下の2つの部分に分割することで、ソースフリーDAを実現する：a) ソースのみのドメイン一般化、および b) ソースフリーのターゲット適応。前者に対しては、仮想的に拡張されたマルチソースデータセットを用いて訓練されるマルチヘッドフレームワークを提案し、理論的知見に基づいて一般化性能と特異性のバランスを最適化する。後者に対しては、このマルチヘッドフレームワークを活用して信頼性の高いターゲットの疑似ラベルを抽出し、自己学習に用いる。さらに、空間的な不規則性を抑制する新たな条件付き事前分布制約型オートエンコーダを導入することで、疑似ラベルの品質を向上させる。標準的なGTA5→CityscapesおよびSYNTHIA→Cityscapesベンチマークにおける実験結果から、従来のソースフリーでない手法に対しても優れた性能を示した。また、オンライン適応との互換性も確認し、環境が順次変化する場面におけるリアルタイム展開が可能であることを示した。