임의의 스타일 전이 및 도메인 일반화를 위한 정확한 특성 분포 매칭

임의의 스타일 전이(ARbitrary Style Transfer, AST)와 도메인 일반화(Domain Generalization, DG)는 중요한 그러나 도전적인 시각 학습 과제이며, 특징 분포 일치 문제로 모델링할 수 있다. 기존의 특징 분포 일치 방법은 특징 분포가 가우시안(Gaussian)을 따른다는 가정 하에 특징의 평균과 표준편차를 일치시키는 방식을 사용한다. 그러나 실제 데이터의 특징 분포는 일반적으로 가우시안보다 훨씬 복잡하며, 일차 및 이차 통계량만으로는 정확히 일치시킬 수 없다. 한편, 고차 통계량을 활용한 분포 일치는 계산 비용이 매우 높아 실용적으로 부적합하다. 본 연구에서는 최초로, 우리 지식에 따르면, 이미지 특징의 경험적 누적분포함수(empirical Cumulative Distribution Function, eCDF)를 정확히 일치시키는 정확한 특징 분포 일치(Exact Feature Distribution Matching, EFDM)를 제안한다. 이는 이미지 특징 공간에서 정확한 히스토그램 일치(Exact Histogram Matching, EHM)를 적용함으로써 구현 가능하다. 특히, 플러그 앤 플레이(Plug-and-Play) 방식으로 최소한의 비용으로 EFDM을 수행할 수 있도록, 빠른 EHM 알고리즘인 Sort-Matching을 활용한다. 제안한 EFDM 방법의 효과는 다양한 AST 및 DG 과제에서 검증되었으며, 새로운 최고 성능(SOTA) 결과를 달성하였다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/YBZh/EFDM.