DATID-3D 是一种适用于 3D 生成模型的领域适应方法，采用文本到图像扩散模型，在不收集附加数据的情况下，将源领域的最先进 3D 生成器微调为文本引导的目标领域，从而实现高分辨率、多视角一致的图像合成，并提出并演示了多样的 3D 图像操作。

Nov, 2022

通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

Dec, 2018

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

通过使用源领域标签作为图像翻译的明确指导，本文提出了一种创新的方法来解决领域自适应语义分割中的语义一致的局部细节保持问题，并利用了渐进翻译学习策略来实现在具有大差距领域中可靠工作的语义梯度引导方法。大量实验证明了我们方法相对于最先进的方法的优越性。

Aug, 2023

该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。

Sep, 2020

本文提出了一种基于扩散模型的零样本领域自适应方法，名为 ZoDi，它具有两个设计特点：零样本图像转换和模型自适应。通过利用现成的扩散模型将源图像的领域转移到目标领域，我们首先合成目标领域的类似图像，以维持布局和内容，然后在训练模型时使用源图像和合成图像，并同时最大化两个领域图像的特征相似性，从而学习到具有领域鲁棒性的表示。通过实验证明了 ZoDi 在图像分割任务中优于现有的方法，并且比已有的基于 CLIP 的方法更具通用性，因为它不依赖于特定的骨干结构或模型，并且可以通过检查生成的图像来估计模型的性能。我们的实现将公开提供。

Mar, 2024

我们提出了一种新的开放域个性化图像生成模型 Subject-Diffusion，它不需要测试时微调，只需要一个参考图像就能在任何领域中支持个性化生成单一或多个主体。我们通过构建自动数据标注工具和使用 LAION-Aesthetics 数据集，构建了一个包含 7600 万图像及其对应主体检测边界框、分割掩模和文本描述的大规模数据集。我们设计了一个新的统一框架，通过融合文本和图像语义，并结合粗粒度位置和细粒度参考图像控制，以最大化主体的准确性和一般化能力。此外，我们还采用了一种注意力控制机制来支持多主体生成。大量的定性和定量结果表明，我们的方法在单一、多个和人类定制的图像生成方面优于其他最先进的框架。请参考我们的项目页面。

Jul, 2023

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

提出了一种用于 Source-Free Domain Adaptation 的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

Oct, 2023

我们提出了一种名为 Informative Data Mining (IDM) 的新框架，通过使用一种基于不确定性的样本选择准则来实现高效的一次性领域自适应，其中包括基于补丁混合和基于原型的信息最大化来更新模型，有效提高了自适应性并缓解过拟合问题。

Sep, 2023