본 논문은 개방형 세계 학습 분야에서 유망한 연구 주제인 신규 클래스 발견(Novel Class Discovery, NCD)에 대해 다룬다. 기존 NCD 방법들은 동일한 도메인 내의 라벨링된 데이터를 기반으로 라벨링되지 않은 데이터셋에서 미지의 신규 클래스들을 클러스터링하는 작업을 수행하지만, 신규 클래스가 라벨링된 데이터와 다른 분포에서 샘플링될 경우 성능이 크게 저하될 수 있다. 본 논문에서는 라벨링된 데이터와 다른 분포의 신규 클래스를 가진 cross-domain 설정에서 NCD의 해결 가능성을 탐구하고, 스타일 정보 제거라는 필요조건 하에서 이를 확립한다. 이를 위해 스타일 정보를 기본 특징과 구분하여 추출하는 독점적인 스타일 제거 모듈을 도입하여 추론을 용이하게 한다. 이 모듈은 다른 NCD 방법들과 쉽게 통합될 수 있으며, 라벨링된 데이터셋과 다른 분포를 가진 신규 클래스의 성능을 향상시키는 플러그인 역할을 한다. 또한, 서로 다른 백본과 사전 훈련 전략이 NCD 방법의 성능에 미치는 영향을 인지하여 향후 NCD 연구를 위한 공정한 벤치마크를 구축한다. 세 가지 일반적인 데이터셋에 대한 광범위한 실험을 통해 제안된 스타일 제거 전략의 효과를 입증한다.
