本文主要探讨如何通过数据生成器来增加多个源域的多样性提高领域泛化能力，在使用了最优传输的分布偏差模型和循环一致性和分类损失的数据生成器模型中，我们的L2A-OT（学习通过最优传输增广）方法在四个基准数据集中表现优于当前最先进的DG方法。

Jul, 2020

这篇论文是对近年来领域泛化（即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型）领域的最新进展的首次回顾，涵盖了相关的理论、算法、数据集、应用，并提出了未来的研究方向。

Mar, 2021

提出了一种名为StyleMatch的简单方法，通过引入新的元素，将FixMatch方法进行扩展，从而提高半监督域泛化的性能，多视角一致性学习可以增强域泛化的能力。

Jun, 2021

本文提出了一种新颖的深度框架，利用半监督域泛化技术，通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题，同时当准确的伪标签为无标签源域生成时，使用域混合操作增加标记和未标记域之间的新域，有助于提高模型的泛化能力，并在公开的DG基准数据集上展示了所提出的SSDG方法的有效性。

Oct, 2021

本文提出了一种新颖的理论框架meta-Domain Specific-Domain Invariant（mDSDI），通过元学习框架优化是领域特定表示，并通过同时学习领域特定和领域不变特点，在潜在空间中区分特征，从而针对源域进行自适应，并在未知域上获得强大的泛化能力，实验证明这种方法在领域一般化中具有竞争力。

Oct, 2021

单源开放域泛化 (SS-ODG) 通过在训练期间提供带标签的源域和在测试期间提供没有标签的新颖目标域来解决有监督的挑战。现有的技术主要集中于校准源域的分类器以识别目标域中的开放样本。然而，这些方法在对视觉细粒度的开放-闭合数据时往往出现错误分类的情况。为了克服这些限制，我们提出了一种名为 SODG-Net 的新颖框架，该框架使用基于学习的目标同时合成新颖域和生成伪开放样本，与文献中常见的临时混合策略形成对比。我们的方法通过使用新颖的度量标准增强了对已知类别样本样式的泛化能力，并生成了多样的伪开放样本，以训练能够处理开放和闭集数据的统一且自信的多类分类器。在多个基准测试中进行的大量实验评估一致表明了 SODG-Net 相对于文献的卓越性能。

Nov, 2023

多领域泛化的研究旨在最小化训练和测试分布之间的差异，以增强边缘到标签分布映射，本论文提出利用Y映射来放松约束，重新思考多领域泛化的学习目标并设计了一个新的通用学习目标，揭示了之前的多领域泛化研究仅部分优化了目标导致了有限性能的问题，该研究提取出四个实际组成部分，提供了处理复杂领域转移的一种通用、强大和灵活的机制。

Feb, 2024

本文介绍了一种名为ProUD的新算法，通过领域感知原型以及标记和未标记领域的不确定性自适应混合，有效地学习领域不变特征，解决了领域之间数据不平等的问题，并在三个不同的基准数据集上进行的实验证明了ProUD的有效性，胜过所有基线模型，包括单领域泛化和半监督学习。

Mar, 2024

我们提出了一种半监督领域泛化模型，通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中，在五个具有挑战性的基准测试中实现了一致且显著的进展。

Mar, 2024

本研究针对半监督领域泛化（SSDG）中，深度学习模型在仅有少量标记数据的情况下，如何学习具有领域泛化能力的问题。我们提出了一种新方法，通过在训练过程中保持分类器的领域特性，以生成准确的伪标签，并对分类器权重进行调节。实验结果表明，该方法在多项强大的SSL基线中明显提升了性能，具有重要的实际意义。

Sep, 2024