本文介绍了一种名为 CompStyle 的新型框架，利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布，以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能，而无需额外的培训时间或资源。

Jun, 2024

医学数据在分布上经常发生变化，这会导致采用标准监督学习流程训练的深度学习模型在测试时性能下降。本研究介绍了一种新的医学图像分类的单域泛化方法，它利用了通道间的对比解缠绕，并通过基于重构的样式正则化进一步增强了独立的样式和结构特征表示的提取。我们将该方法在多中心组织病理图像分类的复杂任务上进行了评估，与最先进的单域泛化基线进行了比较。结果表明，我们的方法在平均准确率上超过了最先进的方法 1％，同时表现更稳定，突显了在分类任务背景下探索单域泛化框架的重要性和挑战。

Mar, 2024

通过分析频率在域差异中的影响，Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域，同时在域增强中构建自我监督来学习上下文感知的鲁棒表示，从而提高分割模型的泛化能力。实验证明了该方法的有效性，并显著改进了分割模型的泛化能力，对于提升医学图像分割模型的泛化能力，尤其是在数据标注稀缺时，FreeSDG 提供了一个有前途的解决方案。

Jul, 2023

本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题，其通过在训练过程中动态生成样式强化的图像，以有效地避免模型过度拟合于源域，并且在两个合成 - 真实语义分割基准测试数据集上进行实验，结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。

Jul, 2022

该研究论文介绍了一种插入到 CNN 浅层中，名为 MixStyle 的插件，通过混合特征统计数值以提高 CNN 在领域转移方面的泛化性能和分布外泛化能力。MixStyle 不仅简单灵活而且用途广泛，可用于半监督领域泛化和无监督领域适应等问题。作者通过广泛的实验证明，MixStyle 可以显著提高各种任务的分布外泛化性能。

Jul, 2021

本文提出了一种基于多任务学习的新型医学图像分割方法，涵盖了领域特定图像修复和随机振幅 Mixup 技术，并引入语义一致性损失来抵抗域漂移，取得了公共基准测试中业界领先的结果。

Aug, 2022

本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

Oct, 2023

本研究提出了使用样式互补模块来增强模型的泛化能力，从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验，结果表明本方法优于现有的单域泛化方法，最高提升了 25.14%。

Aug, 2021

本文提出了一种基于双标准化模型的，借助源域中类似和不类似的图像数据在目标域中进行通用分割的方法，旨在解决跨模态分割中不同领域之间的特征差异问题，并在 BraTS、Cross-Modality Cardiac 和 Abdominal Multi-Organ 等公共领域数据集上进行实验和测试，表明此方法优于其他最先进的领域泛化方法。

Dec, 2021

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