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

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

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

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

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

无源领域普适化的 PromptStyler 模型存在限制，本论文提出 Dynamic PromptStyler (DPStyler) 来解决这些问题，并通过采用 Style Generation module、Style Removal module 和模型集成方法，证明该方法在基准数据集上优于现有的方法。

Mar, 2024

通过对于一种现有的照片风格转换算法进行简单的修改，本文展示了应用于真实图像时的深度神经网络有效利用合成数据的方法，提高了合成图像到真实图像的领域适应性。我们在语义分割和物体检测的四个合成到真实的任务上进行了广泛的实验验证，展示了我们的方法在基于分割和物体检测的度量方面超越了任何当前的基于 GAN 的图像翻译方法的性能。此外，我们还通过距离分析方法，展示了我们的算法在缩小他们之间距离并且将合成数据转换为真实数据方面得到的显著效果。

Jul, 2018

我们提出了一个快速前馈网络，使用深度特征和纹理统计来表示内容和风格，并使用对抗网络来规范画风生成，包括条件生成器和条件鉴别器，并使用遮罩模块来空间控制风格化级别和稳定对抗训练，在定性和定量实验中与相关工作进行比较。

May, 2018

本研究介绍了一种新的基于概率混合实例级别特征统计的域泛化方法 MixStyle 来提高卷积神经网络模型的泛化性能，该方法着眼于图像风格与视觉域之间的关联关系，并将其应用于 CNN 的底层进行数据增广，既可用于分类任务还可应用于实例检索和强化学习等任务。

Apr, 2021