航空画像における車両検出は、交通監視、都市計画、防衛インテリジェンスなど多様な応用が期待される重要なタスクである。深層学習手法は、この分野において最先端（SOTA）の成果を達成している。しかし、ある地理的領域のデータで訓練されたモデルが、他の地域に適応する際に効果的に一般化できないという大きな課題が存在する。環境条件、都市構造、道路網、車両種別、画像取得パラメータ（解像度、照明、撮影角度など）のばらつきにより、ドメイン間の分布シフトが生じ、モデルの性能が低下する。本論文では、生成AIを活用して高品質な航空画像とそのラベルを合成し、データ拡張によって検出器の学習を改善する新しい手法を提案する。本研究の主な貢献は、ソース環境とターゲット環境間の分布ギャップを低減するため、微調整された潜在拡散モデル（LDMs）を用いたマルチステージ・マルチモーダル知識転送フレームワークの開発である。多様な航空画像ドメインにわたる広範な実験により、教師あり学習（ソースドメインデータ）、弱教師あり適応手法、無教師ドメイン適応手法、オープンセット物体検出器と比較して、AP50においてそれぞれ4〜23%、6〜10%、7〜40%、および50%以上の性能向上が確認された。さらに、本研究分野のさらなる発展を支援するため、ニュージーランドおよびユタ州から新たにアノテーションされた2つの航空画像データセットを公開する。プロジェクトページは以下より閲覧可能：https://humansensinglab.github.io/AGenDA