本研究介绍了一种新的基于概率混合实例级别特征统计的域泛化方法 MixStyle 来提高卷积神经网络模型的泛化性能，该方法着眼于图像风格与视觉域之间的关联关系，并将其应用于 CNN 的底层进行数据增广，既可用于分类任务还可应用于实例检索和强化学习等任务。

Apr, 2021

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

针对深度卷积神经网络的广义性能力不足的问题，提出了一种混合多个来源域的样本的新型异构域泛化方法，通过 Visual Decathlon 基准实验验证了方法的有效性。

Sep, 2020

本文提出的 Style-Agnostic Networks (SagNets) 能同时减小卷积神经网络的视觉风格偏差和提高跨领域的性能，拓展了卷积神经网络的应用范围。

Oct, 2019

本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

Oct, 2023

本文介绍了一种名为 CompStyle 的新型框架，利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布，以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能，而无需额外的培训时间或资源。

Jun, 2024

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

通过引入一种数据增强的插件模块 MoreStyle，该研究通过放宽傅里叶空间中低频约束来增加图像样式的多样性，并引入对抗学习进一步扩展样式范围，并在潜在特征中找到最复杂的样式组合，从而有效地帮助实现良好的领域普适性，有潜力进一步提升一些先进的 SDG 方法的性能。

Mar, 2024

提出了一种针对医疗图像分析中源域不匹配问题的新框架，该框架采用风格随机化模块和内容一致性正则化，旨在提取既与病理特异性有关、同时又具有域不可知特性的高级语义特征。在未经训练的测试数据集上的广泛实验表明，该方法更加健壮，达到了最先进的性能水平。

Feb, 2023