基于风险厌恶的领域泛化快速神经风格平滑

Jul, 2023

基于风险厌恶的领域泛化快速神经风格平滑

On the Fly Neural Style Smoothing for Risk-Averse Domain Generalization

Akshay Mehra, Yunbei Zhang, Bhavya Kailkhura, Jihun Hamm

TL;DR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。

Abstract

Achieving high accuracy on data from domains unseen during training is a fundamental challenge in domain generalization (DG). While state-of-the-art DG classifiers have demonstrated impressive performance across various tasks, they have shown a bias towards domain-dependent information

domain generalization neural style transfer risk-averse predictions test-time inference training procedure

发现论文，激发创造

测试时间风格转移：处理领域通用中的任意风格

本文提出了测试时样式转换和样式均衡方法以解决域泛化中的模型训练与目标域未知的问题。在不需要进一步模型更新的情况下，通过这种方法，模型可以处理任意具有任意样式统计数据的目标域，并且已在不同数据集上得到实验证明其有效性。

Jun, 2023

面部反欺诈的测试时间域泛化

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

基于协方差对齐和语义一致性对比学习的风格盲领域广义语义分割

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

有条件的对抗神经艺术风格转移

本文提出了一种新的神经样式转换模型，它是基于无需相关风格图像，可用于任何内容和风格的输入形成语义准确的生成图像，规避了全模型训练的烦恼，并通过单向 GAN 模型的确保循环一致性的结构，实现了更高效的训练和验证阶段以及更小的模型尺寸。

Feb, 2023

通过减少风格偏见来减小领域差距

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

领域泛化的测试时傅里叶风格校准

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

基于源域内样式增强的领域泛化方法

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

基于混洗样式组装的领域泛化人脸防伪

本论文提出了一种基于样式特征抽取和重新组合的新型混洗样式组装网络，通过对比学习策略以强调与活体相关的样式信息并抑制特定于领域的信息，以获得广义表示，并且还建立了新的大规模基准测试以进一步评估各算法的性能和有良好的结果。

Mar, 2022

基于样本的内部和外部来源范例合成，以提高领域泛化能力

提出了一种基于样本图像的风格合成流程，以改进语义分割中的域泛化，并通过掩蔽噪声编码器用于 StyleGAN2 的翻转来实现，进一步提高了培训数据的多样性，结果在不同类型的数据偏移下实现了 '12.4％' 的 mIoU 改进。

Jul, 2023

用数量化的领域转移度量和合成场景图像落地风格领域泛化

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