该论文介绍了使用样式化图像来增强数据集中的偏见纠正方法，以达到在不同领域中进行分类的目的。他们提供了一种基于领域内的纯样式化图像的方法，并通过详细的分析证实了该方法的机制，结果超过或与使用更复杂的方法的现有技术相当。

Jun, 2020

该研究提出了一种新的基于领域感知的样式迁移网络（DSTN），旨在通过捕捉参考图像的领域性质来传递样式。实验结果表明，该模型在艺术和照片逼真的渲染中均比先前的方法表现更好。

Aug, 2021

我们提出了一种名为 DGInStyle 的高效数据生成流水线，通过将预训练的潜在扩散模型（LDM）专门用于语义控制生成，设计一种多分辨率潜在融合技术来克服 LDM 对主导对象的偏见，并提出一种样式交换技术来赋予丰富的生成先验学习的语义控制。使用 DGInStyle，我们生成了一个多样化的街景数据集，在其上训练了一个领域无关的语义分割模型，并在多个流行的自动驾驶数据集上评估了该模型的性能，我们的方法一致提高了几种领域泛化方法的性能，在某些情况下比之前的最先进方法提高了 2.5 个 mIoU，而没有我们的生成增强方案。

Dec, 2023

提出了一种基于特征统计进行特征风格化的领域泛化框架，其中利用领域样式样本对原始特征进行低频成分的风格化处理，并利用领域感知的对比损失增加类别可区分性，得到在 PACS 和 Office-Home 两个基准测试上超越现有最先进方法的实验结果。

Aug, 2021

通过一种名为 Stylized Dream 的新型基于优化的数据增强方法来减少模型的贴图偏差，实现基于形状的表示学习，从而取得了出类拔萃的跨领域问题性能的最新成果。

Feb, 2023

本文提出了一种基于 DLOW 模型的介于两个不同领域之间的中间域流生成方法， 该方法有利于将源图像转换为目标领域中的不同风格图像以简化域适应任务，并可用于多目标领域下的生成新图像的风格泛化方法。

Dec, 2018

提出了一种名为 StyDeSty 的简单而有效的方案，通过显式考虑数据增强过程中源域和伪域之间的对齐，使它们能够以自洽的方式相互作用，并进一步产生具有强大泛化能力的潜在域，从而在多个基准测试中取得了令人鼓舞的结果，在分类准确率上超过现有技术最高达 13.44％。

Jun, 2024

本文提出了使用原型自监督学习控制风格关注的鉴别器，同时作为评论家和风格编码器来提供条件，以缓解现有图像到图像转换中标签不考虑语义距离所导致输出域控制和插值问题，并基于此进行风格插值，内容移植和局部图像转换。

Mar, 2022

通过对于一种现有的照片风格转换算法进行简单的修改，本文展示了应用于真实图像时的深度神经网络有效利用合成数据的方法，提高了合成图像到真实图像的领域适应性。我们在语义分割和物体检测的四个合成到真实的任务上进行了广泛的实验验证，展示了我们的方法在基于分割和物体检测的度量方面超越了任何当前的基于 GAN 的图像翻译方法的性能。此外，我们还通过距离分析方法，展示了我们的算法在缩小他们之间距离并且将合成数据转换为真实数据方面得到的显著效果。

Jul, 2018

通过探索图像的层次化风格信息，本文提出了一种用于图像情感分布学习的风格引导高阶注意力网络，即 StyleEDL。该网络通过探索基于 GRAM 的风格表示之间的内部和跨层关联，同时利用对抗约束的高阶注意机制来捕捉微妙视觉部分之间的潜在交互作用，并引入了一种风格图卷积网络来动态生成内容相关的情感表示，从而提高最终情感分布的学习效果。在多个基准数据集上进行的大量实验证明了我们提出的 StyleEDL 方法相对于现有方法的有效性。

Aug, 2023