画像認識モデルを実環境に展開する際、学習時のデータ分布(source)と現場データ(target)の差により性能が著しく低下する。この課題に対し、Test-Time Adaptation(TTA)としてモデルを更新する手法が提案されてきたが、現場データの利用や推論時学習を前提とする点で実運用上の制約が大きい。本テーマでは、現場データが利用できず、かつモデル自体を更新できないという厳しい条件の下で、既存モデルを現場環境で機能させる挑戦的課題に取り組む。具体的には、学習時データ(source)のみで拡散モデルを学習し、推論時に現場データを source ドメインに戻すスタイル変換(Back to the Source)を行うことで、既知モデルを変更せずにドメインギャップの緩和を目指す。