研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

Oct, 2019

本研究提出了自行蒸馏 (self-distillation) 框架，在物体检测领域有显著的性能提升，无需强大的预训练模型，同时还将训练成本降低了51%。

Sep, 2021

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

本篇文章主要讨论对象检测中的领域泛化问题（DGOD），提出了一种综合评估标准对检测器进行评估，并提出了一种名为 Region Aware Proposal reweighTing (RAPT) 的新方法，以消除RoI特征内的依赖性。实验表明，我们的方法优于其他最先进的对手。

Mar, 2022

本文通过探索视觉语言预训练和通过语言空间强制特征对齐，首次解决了半监督领域泛化问题。我们提出了一种新颖的跨域描述多尺度学习（CDDMSL）方法，在嵌入空间中最大化了具有不同领域特性的图像描述之间的一致性。CDDMSL在领域泛化和域自适应设置中显著优于现有方法，分别实现了11.7%和7.5%的改进。全面的分析和消融研究确认了我们方法的有效性，将CDDMSL定位为物体检测任务中领域泛化的有希望的方法。

Sep, 2023

在目标检测中，提出了半监督领域通用目标检测（SS-DGOD）和弱监督领域通用目标检测（WS-DGOD）两种新的问题设置，利用师生学习框架在仅使用来自一个领域标记数据和来自多个领域的无标记或弱标记数据进行训练，并证明了在此设置下训练的目标检测器明显优于基线检测器，并与无监督领域自适应（UDA）设置下训练的目标检测器性能相媲美或更好，同时与UDA相比，不需要使用目标领域数据进行训练。

Oct, 2023

单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix和OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

Dec, 2023

通过Distinctive Dual-Domain Teacher (D3T)框架和新设计的实验方案，验证了在从可见到热成像域进行领域自适应时，我们方法的优越性。

Mar, 2024

解决目标检测的领域泛化问题，通过多样化源域和基于类别预测置信度和定位的对齐检测，并在安全关键应用中做出准确决策。

May, 2024

利用视觉-语言模型的文本嵌入方法进行域广义语义分割(Domain Generalized Semantic Segmentation)，通过文本对象查询用于像素分组，并引入textual query-driven mask transformer (tqdm)框架来提高模型对感兴趣类别的语义理解能力和对极端领域的泛化能力。

Jul, 2024