초록
우리는 소스 분포와 타겟 분포 간의 차이를 한 쪽의 저주파 스펙트럼을 다른 쪽과 교환함으로써 감소시키는 간단한 비지도 도메인 적응 방법을 제안한다. 이 방법은 하나의 도메인(예: 합성 데이터)에서는 밀도 높은 레이블링이 가능하지만, 다른 도메인(예: 실제 이미지)에서는 얻기 어려운 세분화(semantic segmentation) 작업에 적용하여 설명한다. 현재 최첨단 기법들은 복잡하며, 일부는 신경망의 백본(backbone)이 이산적인 도메인 선택 변수에 대해 불변이 되도록 하기 위해 적대적 최적화를 요구한다. 반면 본 방법은 도메인 정렬을 수행하기 위해 추가 학습이 필요 없으며, 단순한 푸리에 변환(Fourier Transform)과 그 역변환만으로 가능하다. 비록 간단한 절차임에도 불구하고, 비교적 표준적인 세분화 모델에 통합했을 때 현재의 벤치마크에서 최첨단 성능을 달성한다. 실험 결과는, 더 복잡한 방법들이 학습하기 어려운 부정적인 변동성(nuisance variability)에 대해서도 간단한 절차만으로도 효과적으로 대응할 수 있음을 시사한다.