域不变立体匹配网络
本论文提出了一种针对卷积神经网络在新领域上泛化能力不佳的自适应训练方法，结合了合成数据和部分无标注实际数据。通过图拉普拉斯正则化的迭代优化问题求解，让 CNN 能够根据新领域的实际数据自适应地调整自身参数，在保持边缘的同时消除伪像，实现在两个场景中的高效应用。
Mar, 2018
本文提出一种名为 Matching-Space Networks (MS-Nets) 的新型网络结构，通过从 RGB 值中提取学习特征转而利用 Matching Space 的匹配函数和置信度测量来实现图像的立体匹配，避免过度专门化到特定领域的特征，达到了更好的泛化性能和准确率表现。
Oct, 2020
提出一种针对立体匹配网络中特征一致性维护的方法，通过像素级对比学习、特征保白和特征一致性损失函数等手段，实现模型在未知领域的泛化能力提升，并在合成数据经过训练后在四个真实测试集上实现比多种现有技术更好的性能。
Mar, 2022
本研究提出了一种端到端的域翻译和立体匹配网络训练框架，通过引入双向多尺度特征重投影损失和相关性一致性损失等两个新颖的损失函数来提高合成立体图像到真实图像的转换效果以及维护单应约束，实验证明进行域翻译和立体匹配网络联合优化能够有效地解决合成数据集所引入的领域偏差问题，从而实现更准确的立体匹配。
May, 2020
该研究提出了一种基于语义的跨领域泛化基准（SemanticDG），并使用这个基准探索了在材料、视角等不同领域转移时的影响，通过提出一种上下文感知的视觉转换器，改进了现有领域泛化算法，实现了 18% 以上的性能提升，最终成功解决了领域泛化任务存在的挑战。
Jun, 2022
利用大规模数据集训练的模型特征，采用余弦相似度为基础的代价体积作为桥梁，将特征嫁接到一个普通的代价聚合模块，以此来解决领域转化带来的一般化能力不足。通过将嫁接特征输入到一个浅层网络进行变换计算代价，从而恢复更多的任务 - specific 信息，大量实验表明，这种宽光谱和任务定向的特征可以显著提高模型的泛化能力。
Apr, 2022
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
该研究提出了一种基于数字表面模型和卷积神经网络的多任务学习框架，其中后者利用屋顶类型分类作为次要任务和多个目标，以获得优化的表面模型。此方法在常见数据上始终优于其他方法，并且对一个独立研究区域的新数据具有很好的泛化能力。
Apr, 2020
本研究针对多视点立体重建（Multi-view Stereo，MVS）领域中的领域泛化问题，提出了一种名为 RobustMVS 的新型框架，并引入 DepthClustering-guided Whitening（DCW）损失以维持不同视角之间的特征一致性，实验结果表明我们的方法在领域泛化基准测试中取得了优越性能。
May, 2024
通过将图像表示分为两个子空间：一个是每个领域的私有特征，一个是跨领域共享的特征，我们开发的一种新型架构不仅可以让模型在源领域中执行任务，还可以用于重构来自两个领域的图像。该架构不仅在一系列无监督领域适应场景中优于现有技术水平，还能输出私有和共享表示的可视化结果，从而能够解释领域适应过程。
Aug, 2016