실제 컴퓨터 비전 응용 분야에서 이미지 배경, 스타일 및 획득 도구의 변화로 인해 모델 성능이 저하되는 상황에서, OOD (Out-of-Domain) 강건성을 확보하는 것은 어려운 과제입니다. D-GAP (Dataset-agnostic and Gradient-guided augmentation in Amplitude and Pixel spaces)는 주파수 공간과 픽셀 공간에서 목표 기반 증강을 도입하여 OOD 강건성을 향상시키는 방법을 제안합니다. D-GAP는 태스크 그래디언트로부터 주파수 공간에서 민감도 맵을 계산하여 모델이 서로 다른 주파수 구성 요소에 얼마나 강력하게 반응하는지 파악하고, 이를 통해 소스 및 타겟 샘플 간의 진폭을 적응적으로 보간합니다. 이를 통해 주파수 공간의 학습 편향을 줄이고, 보완적인 픽셀 공간 블렌딩 절차를 통해 세밀한 공간 세부 정보를 복원합니다. 네 개의 실제 데이터 세트와 세 개의 도메인 적응 벤치마크에 대한 광범위한 실험을 통해 D-GAP는 일반 및 데이터 세트별 증강 모두를 지속적으로 능가하며, 실제 데이터 세트에서 평균 OOD 성능을 +5.3%, 벤치마크 데이터 세트에서 +1.8% 향상시켰습니다.
