本文提出了一种新颖的域泛化框架，通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力，从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明，该方法在多个基准细分数据集上都取得了最新的前沿成果。
Mar, 2020
本文提出了一个 WEb-image assisted Domain GEneralization(WEDGE) 方案，利用网络爬取的数据集进行语义分割的域泛化，将网络爬取的数据代表的样式表达引入源域，通过有效训练使网络经历不同风格的图像，通过使用带有伪标签的网络爬取数据集训练可以进一步提高网络的能力，并通过广泛的实验表明，该方法明显优于现有的域泛化技术。
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
本文提出一种框架，包括两个新模块：Semantic-Aware Normalization（SAN）和Semantic-Aware Whitening（SAW），用于域通用语义分割，该模型训练为域不变而不使用任何目标域数据，并且验证结果显示，该模型在各种backbone网络上均优于现有的最先进性能。
Apr, 2022
该论文提出了一种基于元学习框架的新型记忆引导域泛化方法，该方法抽象了语义类别的概念知识，并通过训练多次来学习如何记忆无域和不同的类别信息，并提供外部固定的记忆作为类别指导，以减少任意未见域的测试数据中表示不确定性。通过语义分割的广泛实验，证明了我们的方法在各种基准上具有卓越的泛化能力。
本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。
Apr, 2023
通过引入视觉-语言模型进行知识蒸馏，本文提出了一种新的域泛化方法，称为RISE (Regularized Invariance with Semantic Embeddings)，并通过在多个基准数据集上的实验证明其在域泛化方面的优越性。
Sep, 2023
通过扩展域的方法进行无目标数据的模型泛化，在各种数据集和结构上的性能大幅提升，为领域适应和泛化性能带来了重要突破。
Dec, 2023
本研究提出了一种基于视觉-语言模型的视觉语义分割方法，通过在源领域进行训练并在未见目标领域进行评估，提高了领域通用性。实验证明，该方法在域通用分割中的性能优于传统的视觉训练方法，取得了7.6% mIoU的提升。同时，在主流数据集上取得了76.48% mIoU的性能，超过了此前最优方法6.9% mIoU的水平。还表明该方法在领域内具有强大的泛化能力，并在当前排行榜上与最优方法并列第一。
提出了基于语义重排的多级对齐（SRMA）方法，通过语义区域随机化增强源领域的多样性，并通过多级对齐模块建立全局-区域-局部一致的域不变表示，有效解决了源目标领域差距问题。实验证明了SRMA方法在各项基准测试上的优越性。
Apr, 2024