본 논문은 딥러닝 모델 학습의 계산 및 저장 부담을 줄이기 위한 유망한 해결책으로 떠오른 데이터셋 축소(Dataset Condensation, DC) 방법을 다룬다. 기존 DC 방법들은 현대 데이터셋의 다중 도메인 특성을 크게 간과하는데, 이는 여러 도메인에 걸쳐 이질적인 이미지로 구성되는 경우가 점점 많아지고 있기 때문이다. 본 논문에서는 DC를 확장하여 단일 도메인과 다중 도메인 설정 모두에서 일반화되는 데이터를 축소하는 다중 도메인 데이터셋 축소(Multi-Domain Dataset Condensation, MDDC)를 제안한다. 이를 위해 도메인 관련 특징을 학습 가능한 공간 마스크를 통해 각 합성 이미지에 포함시키는 도메인 인식 모듈(Domain-Aware Module, DAM)을 제안한다. 실제 데이터셋에서는 명시적인 도메인 레이블이 대부분 없으므로 저주파 진폭 통계를 활용하는 주파수 기반 의사 도메인 라벨링을 사용한다. DAM은 축소 과정에서만 활성화되므로 기존 방법과 동일한 클래스당 이미지 수(IPC)를 유지한다. 실험 결과, DAM은 기준 데이터셋 축소 방법보다 도메인 내, 도메인 외 및 크로스 아키텍처 성능을 지속적으로 향상시키는 것으로 나타났다.
