本論文では、D-GAP（Dataset-agnostic and Gradient-guided Augmentation in Amplitude and Pixel spaces）を提案し、実世界のコンピュータビジョンにおける領域外ロバスト性の改善を目指しています。従来の一般的なデータ拡張手法は、画像の背景やスタイルの変化に対して一貫した効果を得られず、特定のデータセットに基づく手法は専門知識を必要とします。D-GAPは、タスクの勾配から得た感度マップを用いて、入力データの周波数空間における適応的な増強を行い、元データとターゲットサンプル間で周波数成分の補間を行います。また、ピクセル空間でのブレンド手法により、詳細な空間情報も保たれます。実験結果では、D-GAPが他の増強手法に比べて、実データセットおよびベンチマークデータセットでの領域外パフォーマンスをそれぞれ+5.3%、+1.8%向上させることが確認されました。