インスタンス正規化（Instance Normalization）の名称の由来と仕組み・特徴の解説

2026年10月10日 2026年10月10日山崎講師

山崎講師

こんにちは。ゆうせいです。

ディープラーニングにおいて、画像生成や画風変換などの分野で広く利用されている手法の一つにインスタンス正規化があります。この手法がなぜインスタンス正規化と呼ばれるのか、名称の背景や処理の仕組みについて解説します。

インスタンス正規化の名称の由来

インスタンス正規化という名称は、1つのデータ単位（インスタンス）の持つ1つのチャンネルごとに独立して正規化を行う仕組みに由来します。

機械学習の分野では、学習や推論に用いられる個々のデータのことをインスタンスと呼びます。画像処理の文脈においては、1枚の画像データそのものが1つのインスタンスに相当します。

バッチ正規化は複数の画像にまたがって統計量を計算し、レイヤー正規化は1枚の画像の全チャンネルをまとめて計算します。これに対してインスタンス正規化は、1つのインスタンス（1枚の画像）の中に含まれる個別のチャンネル（色や特徴の種類）を単独で取り出し、その縦横の画素データの中だけで平均と分散を計算します。処理の対象が他の画像や他のチャンネルから完全に切り離された1つのインスタンス内の単一成分であるため、インスタンス正規化（Instance Normalization）と命名されました。

美術の授業で絵画を評価する場面に例えると、クラス全員の作品を比較するのではなく、また1枚の絵画で使われた全絵の具を混ざり合わせた平均を見るのでもなく、ある1人の生徒が描いた1枚の絵（インスタンス）において、赤色の絵の具が使われている部分（1つのチャンネル）だけを抜き出し、その赤色の濃淡の平均とばらつきを単独で調整する作業に似ています。

インスタンス正規化の計算手順

インスタンス正規化では、1枚のデータに含まれる各チャンネルに対して、空間方向（高さと幅）の画素のみを対象として以下の順序で数式処理を実行します。

対象とする画像の高さを H、幅を W と置き、1つのチャンネルに含まれる全画素数を HW とします。該当するチャンネル内の各画素の数値を x と置いた場合、そのチャンネル単体の平均値を算出します。

$\mu = \frac{1}{HW} \sum_{i=1}^{H} \sum_{j=1}^{W} x_{ij}$

続いて、算出した平均値を用いて同一チャンネル内の分散を求めます。

$\sigma^{2} = \frac{1}{HW} \sum_{i=1}^{H} \sum_{j=1}^{W} (x_{ij} - \mu)^{2}$

求めた平均値と分散を使用し、該当チャンネル内の数値を平均0、分散1の状態へ整えます。ゼロ除算を避ける目的で分母には微小な定数 epsilon を加算します。

$\hat{x}_{ij} = \frac{x_{ij} - \mu}{\sqrt{\sigma^{2} + \epsilon}}$

最後に、ネットワークが必要な表現力を保つため、学習によって最適化されるスケール係数 gamma とシフト係数 beta を適用して最終的な出力を得ます。

$y_{ij} = \gamma \hat{x}_{ij} + \beta$

インスタンス正規化のメリットとデメリット

インスタンス正規化を深層学習モデルに適用した際に確認できる特徴は次の通りです。

メリット

個々の画像固有の画風やコントラストの影響を取り除ける：画像の明るさやコントラストといった全体的なスタイル情報が各チャンネルの平均や分散に反映されるため、それらを取り除くことで、輪郭などの本質的な構造情報だけを残すことができます。
バッチサイズの影響を全く受けない：他の画像データを計算に一切含まないため、バッチサイズが1の場合であっても計算精度が変化しません。
学習時と推論時で処理内容が変化しない：バッチ正規化のようにデータセット全体の移動平均を保存・管理する必要がなく、常に同一の数式で推論を行えます。

デメリット

物体認識や分類タスクでは精度が低下しやすい：画像全体の明暗や色合いといった情報まで消去してしまうため、物体の種類を判別する画像分類タスクでは、バッチ正規化に比べて正解率が下がる傾向があります。
チャンネル間の相関関係を直接反映できない：チャンネルごとに完全に独立して計算を行うため、チャンネル同士の相互関係を同一の正規化ステップの中で考慮することができません。

まとめ

インスタンス正規化は、名称が示す通り1つのインスタンス（1枚のデータ）の各チャンネルを個別に正規化する手法です。画像固有のスタイル情報を削ぎ落としてコンテンツの本質を抽出できる性質から、写真の画風変換（スタイル変換）や画像生成モデル（GAN）において中核的な役割を果たしています。

インスタンス正規化への理解を深めるための学習ステップは以下の通りです。

テンソルの4次元軸を確認する：バッチ（N）、チャンネル（C）、高さ（H）、幅（W）という軸の中で、インスタンス正規化が高さと幅の2軸のみを集計範囲としている構造を整理します。
スタイル変換モデルの構造を調べる：代表的な画風変換アルゴリズムにおいて、バッチ正規化をインスタンス正規化に置き換えることで生成画像の品質が向上した経緯を確認します。
適応型インスタンス正規化への展開を追う：スケール係数とシフト係数を別のスタイル画像から動的に生成する、AdaIN（Adaptive Instance Normalization）の仕組みへ理解を広げます。

セイ・コンサルティング・グループでは新人エンジニア研修のアシスタント講師を募集しています。

投稿者プロフィール

山崎講師代表取締役

セイ・コンサルティング・グループ株式会社代表取締役。
岐阜県出身。
海外放浪の末、2000年創業、2004年会社設立。
IT企業向け人材育成研修歴業界歴20年以上。
すべての無駄を省いた費用対効果の高い「筋肉質」な研修を提供します！
この記事に間違い等ありましたらぜひお知らせください。

学生時代は趣味と実益を兼ねてリゾートバイトにいそしむ。長野県白馬村に始まり、志賀高原でのスキーインストラクター、沖縄石垣島、北海道トマム。高じてオーストラリアのゴールドコーストでツアーガイドなど。現在は野菜作りにはまっている。