단일 도메인 일반화를 위한 다양성 학습

도메인 일반화(DG)는 여러 출처(즉, 훈련) 도메인에서 훈련된 모델을 분포적으로 다른 대상(즉, 테스트) 도메인으로 일반화하는 것을 목표로 합니다. 기존의 DG가 여러 출처 도메인이 필수적으로 필요하다는 엄격한 요구사항과 달리, 이 논문은 더 현실적이지만 어려운 시나리오, 즉 단일 도메인 일반화(Single-DG)를 고려합니다. 이 시나리오에서는 오직 하나의 출처 도메인만이 훈련에 사용되기 때문에 제한된 다양성이 보지 못한 대상 도메인에서의 모델 일반화를 위협할 수 있습니다. 이러한 문제를 해결하기 위해, 우리는 다양한 분포에서 출처 샘플과 보완적인 이미지를 생성하여 모델의 일반화 능력을 강화하는 스타일 보완 모듈을 제안합니다. 구체적으로, 생성된 샘플과 출처 샘플 사이의 상호 정보(MI)의 계산 가능한 상한을 채택하고 두 단계 최적화를 반복적으로 수행합니다: (1) 각 샘플 쌍에 대한 MI 상한 근사치를 최소화함으로써 생성된 이미지는 출처 샘플로부터 다양해지도록 강제됩니다; (2) 그 다음으로, 동일한 의미 범주에서 온 샘플들 간의 MI를 최대화하여 다양한 스타일의 이미지에서 차별적인 특징을 학습하도록 네트워크를 지원합니다. 세 개의 벤치마크 데이터셋에 대한 광범위한 실험 결과는 우리의 접근 방식이 최신 단일-DG 방법론보다 최대 25.14% 높은 성능을 보임을 입증하였습니다.