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

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

本文提出了设计域不变的立体匹配网络的方法，其中使用了新颖的 “域标准化” 方法以及可训练的基于非局部图滤波器的方法，使网络能够在新的场景中泛化，并在实验中得到了显著提高。

Nov, 2019

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

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

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

本论文提出了一种新的成对相似度测量模型，该模型通过将传统线性投影扩展为仿射变换，并将仿射马氏距离和余弦相似度融合为数据驱动的组合，结合特征表示学习和深度卷积神经网络，实现了端到端的模型优化，在多个跨域匹配任务中测试并取得了优于其他现有方法的结果。

May, 2016

本研究提出了一种基于无监督学习的视差匹配方法，通过特征度量一致性而非图像度量一致性来解决不同分辨率图像之间的挑战，并引入了一种自我增强的策略来优化特征提取器，在模拟数据集和真实世界数据集上，取得了优于现有解决方案的表现。

Apr, 2022

该论文提出了一个新的深度补全框架，它能够抵御领域转移问题，通过处理虚拟模式投影范例获得的虚构立体对，利用现代立体网络的概括能力来面对深度补全。任何立体网络或传统立体匹配器都可以无缝插入到我们的框架中，从而实现对未来立体领域的先进性。通过对跨领域概括的详尽实验支持我们的观点。因此，我们认为我们的框架能够帮助深度补全达到新的实施场景。

Dec, 2023

本文提出了一种基于目标域一致性训练的无监督域自适应框架，通过新的损失项实现了模型对目标图像和扰动版本的像素级一致性，并在两个挑战性的合成到真实数据集上取得了非常优秀的结果。

May, 2021