MoireMix: 画像分類の頑健性を高めるための数式ベースのデータ拡張

要旨: データ拡張は、画像分類モデルの頑健性を向上させるための主要な手法です。しかし、近年の多くのアプローチは拡散（diffusion）に基づく合成や、複雑な特徴混合戦略に依存しており、実質的な計算オーバーヘッドを導入するか、外部データセットを必要とします。本研究では、別の方向性を探ります。それは、解析的な干渉パターンに基づく手続き的（procedural）拡張です。従来の拡張手法が確率的なノイズ、特徴混合、あるいは生成モデルに依拠しているのに対し、提案手法はモアレ干渉（Moire interference）を活用して、幅広い空間周波数にまたがる構造化された摂動を生成します。閉形式の数学的定式化を用いて、その場で（on-the-fly）モアレ・テクスチャを手続き的に生成する、軽量な拡張手法を提案します。このパターンは、メモリ上で直接合成され、計算コストはほぼ無視でき（画像あたり0.0026秒）、学習中に学習画像と混合され、直ちに破棄されます。これにより、外部データを必要としない、ストレージ不要の拡張パイプラインを実現します。Vision Transformers を用いた大規模な実験により、提案手法が ImageNet-C、ImageNet-R、そして敵対的ベンチマークを含む複数のベンチマークにわたって、頑健性を一貫して改善し、標準的な拡張ベースラインおよび既存の外部データ不要の拡張手法を上回ることを示します。これらの結果は、解析的な干渉パターンが、データ駆動型の生成的拡張手法に対する、実用的かつ効率的な代替手段になり得ることを示唆しています。