单域广义化通过在单个源域上训练以提高模型对未知域的泛化能力，然而，有限的训练数据多样性影响了域不变特征的学习，导致泛化性能下降。为了解决这个问题，我们提出了一种名为 CPerb 的简单而有效的跨扰动方法，该方法利用水平和垂直操作来增强训练数据的多样性，从不同角度学习具有相同语义类别样本的多路扰动，并引入一种名为 MixPatch 的新型特征级扰动方法来进一步增加训练数据的多样性。在各种基准数据集上的广泛实验证明了我们方法的有效性。

Aug, 2023

我们提出了一种新的基于对比的解缠方法 CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行 DG 任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

Oct, 2023

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

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022

本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。

May, 2023

该论文提出一种学会学习的方法，通过学习辅助损失本身来提高模型的泛化能力，进而应用于领域推广的问题，包括传统领域推广和异构域推广。实验结果表明，该方法在两种情况下优于现有的解决方案。

Jan, 2019

利用对比学习提出了一种基于异质性的两阶段对比学习 (HTCL) 算法，在第一阶段使用对比度量生成最异质的划分模式，第二阶段利用先前生成的划分模式进行不变性对比学习，以更好地利用生成的域标签进行广义学习，从而更好地挖掘异质性并产生良好的广义性能。

May, 2023

提出一种在测试时使用少量无标签数据进行模型适应以应对分布偏移的方法，通过利用预训练模型和源域的相关信息从有限数据中提取领域知识，并通过建立知识库、领域特定提示生成器、引导模块、领域感知对比损失和元学习等技术实现领域知识的提取。在多个基准测试中验证了该方法，表明该方法在领域知识提取方面优于之前的工作。

May, 2024

通过断开静态和动态组件之间的联系，通过参数交换（PE）方法，实现对动态网络的静态组件进行更全面的学习，从而加强对自适应领域特定特征的学习，抵抗不可知领域偏移并提高自适应性能。

Nov, 2023

领域泛化通过提高模型的鲁棒性来开发具有分布偏移上的稳定性的模型。现有方法在跨域数据上学习不变性以增强模型的稳健性，数据增强被广泛用于学习不变的预测模型，其中大多数方法在输入空间进行增强。然而，输入空间的增强的多样性有限，而特征空间的增强更加灵活且显示了有希望的结果。然而，特征语义很少被考虑，现有特征增强方法缺乏增强特征的多样性。我们将特征分解为类通用、类特定、领域通用和领域特定组件。我们提出了一种名为 XDomainMix 的跨域特征增强方法，使我们能够增加样本的多样性，同时强调学习不变表示以实现领域泛化。对广泛使用的基准数据集的实验证明我们的方法能够实现最先进的性能。定量分析表明我们的特征增强方法有助于学习在不同领域中都不变的有效模型。

May, 2024