测试时间风格转移：处理领域通用中的任意风格
通过使用傅里叶变换将特征分解为振幅（样式）特征和相位（语义）特征，并引入测试时傅里叶样式校准（TF-Cal）来校准目标域风格，以增强模型的泛化能力。实验表明，该方法在几个流行的 DG 基准测试和医学图像分割数据集中优于最先进的方法。
May, 2022
测试时间域泛化框架通过引入测试数据来提升模型的适用性，该方法包括测试时间风格投影和多元风格变换模拟，有效地将未知数据投影到已知域空间，并在广泛使用的跨域 FAS 基准测试中展示出最先进的性能和有效性。
Mar, 2024
在这篇论文中，我们介绍了一种新的领域综合范式，该方法通过提取领域不变特征来解决机器学习中的领域泛化问题，并引入了两个新的定量衡量标准 ICV 和 IDD 来描述风格领域的变化，同时提出了 SuperMarioDomains（SMD）这一新的合成多领域数据集，为 DG 方法 SMOS 的训练提供了预备模型，最终取得了在五个 DG 基准测试上的最新成果，对于抽象领域的性能大幅提升，并在逼真领域上保持相当水平或稍有改善。
May, 2024
本研究提出了使用样式互补模块来增强模型的泛化能力，从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验，结果表明本方法优于现有的单域泛化方法，最高提升了 25.14%。
Aug, 2021
通过引入多个特定于源域的分类器，利用预测目标样本属于每个源域的概率进行最优融合，并引入一个域不可知组件来支持最终分类器，我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。
Jun, 2018
提出了一种名为 StyDeSty 的简单而有效的方案，通过显式考虑数据增强过程中源域和伪域之间的对齐，使它们能够以自洽的方式相互作用，并进一步产生具有强大泛化能力的潜在域，从而在多个基准测试中取得了令人鼓舞的结果，在分类准确率上超过现有技术最高达 13.44％。
Jun, 2024
本论文提出了一种基于测试时间神经风格平滑和神经风格平滑训练程序的领域泛化风险规避分类器，该分类器使用神经风格转移模块实现实时的图片风格调整，并在测试时利用黑盒访问领域泛化分类器，通过对多种风格的图像的识别结果进行综合以提高预测抗风险的能力，并在已有领域泛化方法中具有可无缝集成性。
Jul, 2023
单域广义目标检测提高模型泛化能力，只使用来自单一源域的数据进行训练。本文提出了一种基于短语定位的风格转移方法（PGST）来实现此任务。通过定义文本提示并利用已有模型学习目标域的风格，并将源域的视觉特征转移到目标域。最终，我们使用这些风格转移的视觉特征对模型进行微调，使其在只使用单一源域进行训练的情况下能够有效地适用于未见过的目标域。实验证明，我们的方法在五个不同的天气驾驶基准数据集上取得了最先进的性能，甚至超过了一些将目标域图像纳入训练过程的领域自适应方法。源代码和预训练模型将会提供。
Feb, 2024
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
本文提出一种新颖的领域泛化方法，通过视觉对齐和基于不确定性引导的置信度集成 (VAUE) 来处理分布偏移，在 4 个广泛使用的数据集上展示了其卓越的性能。
Sep, 2022