本研究使用生成对抗网络（GANs）的目标函数来学习与源数据集不可区分的目标特征，并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明，强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。

Nov, 2017

本研究探讨了利用预训练模型的知识迁移学习应用于生成式深度网络中的领域自适应，并发现该方法可以在目标数据有限时缩短收敛时间，显著提高生成图片的质量。

May, 2018

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

Dec, 2018

本研究提出了一种新型生成对抗网络（MiddleGAN），通过输入源域和目标域相似的样本生成领域无关样本，以训练处理目标领域分类任务的分类器，通过在 24 个基准测试中的实验证明，在特定的基准中，MiddleGAN 在现有算法中的表现出了高达 20.1％的优异性能。

Nov, 2022

本文提出了一种用于数据增强的生成对抗网络 (DAGAN) 模型，其可帮助神经网络在数据不足的情况下提高泛化能力，实验结果显示在 Omniglot、EMNIST 以及 VGG-Face 数据集中，使用 DAGAN 后精度显著提高，我们同时还使用 DAGAN 增强了匹配网络 (Matching Networks) 的性能。

Nov, 2017

通过将数据增强作为监督领域泛化问题，并利用对比语义对齐损失方法，提高数据增强的鲁棒性和训练效率。实验证明，该方法改善了典型数据增强的鲁棒性和训练效率。

Oct, 2023

本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

Apr, 2023

本文提出了一种基于生成对抗网络 (GAN) 的多领域图像完成方法，该方法使用表示学习技术在多个领域中提取共享骨架编码和分离的肉体编码，以完成实际应用中可能出现的领域数据缺失问题，并证明所学习的表示方法对高级任务具有潜在价值。

Jul, 2020

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019