本文提出了一种基于掩码噪声编码器的内源样式增强（ISSA）方法，通过增加训练数据多样性和减少错误相关性，实现了深度学习模型对领域偏移的泛化能力提升，并取得了在语义分割中高达 12.4% 的 miOU 提升。

Oct, 2022

本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

Feb, 2022

本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题，其通过在训练过程中动态生成样式强化的图像，以有效地避免模型过度拟合于源域，并且在两个合成 - 真实语义分割基准测试数据集上进行实验，结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。

Jul, 2022

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

为了解决深度学习模型在未知目标域中的语义分割性能下降的问题，本研究提出了一种名为 BlindNet 的新型域泛化语义分割方法，通过盲化样式且无需外部模块或数据集来提高编码器中样式的鲁棒性，同时通过协方差对齐和语义一致性对比学习来提高解码器的分割性能，实验结果表明，BlindNet 方法在语义分割中性能优越且鲁棒性强。

Mar, 2024

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

本文介绍了一种基于生成对抗网络的数据增强方法，可以有效地解决卷积神经网络在训练和测试数据之间存在领域差异时性能显著降低的问题。实验结果表明，该方法在领域自适应上表现出优异的性能。

Feb, 2020

我们提出了一种名为 DGInStyle 的高效数据生成流水线，通过将预训练的潜在扩散模型（LDM）专门用于语义控制生成，设计一种多分辨率潜在融合技术来克服 LDM 对主导对象的偏见，并提出一种样式交换技术来赋予丰富的生成先验学习的语义控制。使用 DGInStyle，我们生成了一个多样化的街景数据集，在其上训练了一个领域无关的语义分割模型，并在多个流行的自动驾驶数据集上评估了该模型的性能，我们的方法一致提高了几种领域泛化方法的性能，在某些情况下比之前的最先进方法提高了 2.5 个 mIoU，而没有我们的生成增强方案。

Dec, 2023

该研究提出了一种新的多模态图像到图像翻译的方法，通过风格预训练、学习低维的风格潜空间等手段，简化损失函数、提高风格捕获和转移的逼真度，最终在六个挑战性数据集上取得了最先进的结果。

Apr, 2021

本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间，以提高图像的编码质量和风格传递的效果。实验证明，与以往的图像风格转换方法相比，所提出的方法在需要图像间语义对应的复杂场景中表现得更好。

Aug, 2020