任意のスタイル転送およびドメイン一般化のための正確な特徴分布マッチング

任意のスタイル転送（Arbitrary Style Transfer, AST）およびドメイン一般化（Domain Generalization, DG）は、重要な一方で挑戦的な視覚学習タスクであり、特徴分布の一致問題として定式化できる。従来の特徴分布一致手法は、特徴量の分布がガウス分布であるという仮定の下で、主に特徴量の平均と標準偏差（一階統計量および二階統計量）を一致させるアプローチを採用している。しかし、現実世界のデータにおける特徴分布はガウス分布よりもはるかに複雑であり、一階および二階統計量のみを用いてその一致を図ることは不十分である。一方で、高階統計量を用いた分布一致は計算コストが非常に高いため、実用上は現実的ではない。本研究では、知られている限りで初めて、画像特徴量の経験的累積分布関数（empirical Cumulative Distribution Function, eCDF）を正確に一致させるというアプローチ、すなわち正確な特徴分布一致（Exact Feature Distribution Matching, EFDM）を提案する。この手法は、画像特徴空間において正確なヒストグラム一致（Exact Histogram Matching, EHM）を適用することで実現可能である。特に、最小限の追加コストで即時適用可能な「プラグアンドプレイ」型の高速EHMアルゴリズム「Sort-Matching」を用いて、EFDMを効率的に実装する。提案手法EFDMの有効性は、多様なASTおよびDGタスクにおいて実証され、新たな最先端性能を達成した。実装コードは以下のURLで公開されている：https://github.com/YBZh/EFDM。