本文提出了一种新颖的域适应方法 SiSTA，该方法利用单次训练目标任务样本 fine-tuned 生成模型，以产生配对的真实目标标注数据，并证明在面部属性检测和多类对象识别等基准测试中，SiSTA 相对其他方法表现更优秀。

May, 2023

该论文主要研究了用于单镜头图像推理的快速测试时间自适应方法（SITA）。 提出了一种名为 AugBN 的方法，它只需要一次前向传递来估计未见过的测试分布的规范化统计，该方法无需反向传播并且是无超参数的。 在实验中，该算法在各种数据集、任务和网络架构上都取得了显著的性能提升。

Dec, 2021

提出了一种简单而通用的图像到图像翻译框架，利用归一化层和新提出的特征变换，实现了多模态图像合成并具备任意风格控制的能力，进行了与多个先进方法的比较，证明了其在感知质量和定量评估方面的有效性。

Jul, 2020

通过语义感知数据增强 (SADA) 框架来提升文本到图像合成 (T2Isyn) 模型中的文本 - 图像一致性并改善图像质量。该框架通过隐式文本语义保持增强 (ITA) 在语义空间中扩充文本，并结合特定设计的图像语义正则化损失 (Lr) 作为生成图像的语义保持，以解决语义不匹配和坍塌问题。大量实验证实了 SADA 在各种模型中提升了文本 - 图像一致性和图像质量，特别是在 Stable Diffusion 模型调整过程中的改进效果。

Dec, 2023

本文提出了 TTIDA（Text-to-Text-to-Image 数据增强）方法，利用大型预训练的 T2T 和 T2I 生成模型来进行数据增强。通过在 T2T 模型的细节描述下对 T2I 模型进行条件控制，我们能够以灵活和可控的方式生成逼真的标记图像。对于领域内分类、跨领域分类和图像字幕任务的实验表明，与其他数据增强基线相比，TTIDA 表现一致地表现出了优越的性能和增强韧性。分析研究进一步证明了 TTIDA 增强性能和提高鲁棒性的有效性。

Apr, 2023

通过对比学习和对齐输入和输出的结构和纹理特性，提出了一种名为 SemST 的新型 I2I 方法，用于在保持语义的同时实现语义无损的领域内图像映射，进一步引入多尺度方法增强翻译性能，适用于高分辨率图像领域适应。实验证明，SemST 可以有效减少语义失真，并取得了最先进的性能，同时还探讨了 SemST 应用于领域适应的可能性，初步实验表明 SemST 可作为语义分割任务的有益预训练。

Oct, 2023

本研究提出了一种名为 SDIT 的可扩展和多样化图像翻译方法，通过将多样性和可扩展性合并到一个生成器中，利用从正态分布中随机抽样的潜在变量来确定多样性，通过在网络中设置领域属性来获得可扩展性，并利用注意机制使生成器能够专注于领域特定的属性。该方法已在脸部映射和其他数据集上得到了验证和实际应用。

Aug, 2019

本研究提出了一种多模态无监督图像到图像的翻译框架 (MUNIT)，该框架可以将图像表示分解为内容代码和风格代码，从而能够生成来自给定源域图像的多样性输出，并能够通过提供示例样式图像来控制翻译输出的风格。该框架在对比最先进的方法的基础上，通过大量实验证明了其优势。

Apr, 2018

通过填补世界相关性结构的缺失，利用文本到图像生成模型改进人类模型在性别识别等方面的能力，显示了一种目标图像编辑数据增强方法在性别、颜色和计数能力方面提高图像字幕度量的性能，并分析了图像字幕模型在视觉编码和文本解码方面的不同行为表现。

Sep, 2023

本文介绍了一种在多元和内容丰富的图像上使用单个物体翻译方法的扩展方法，使用基于目标检测的方式对数据集进行扩充，同时提出了一种适应 FUNIT 框架的方法，以利用其他方法中可以看到的目标检测技术的优势。

Jun, 2021