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

提出了一种针对医疗图像分析中源域不匹配问题的新框架，该框架采用风格随机化模块和内容一致性正则化，旨在提取既与病理特异性有关、同时又具有域不可知特性的高级语义特征。在未经训练的测试数据集上的广泛实验表明，该方法更加健壮，达到了最先进的性能水平。

Feb, 2023

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

通过引入一种数据增强的插件模块 MoreStyle，该研究通过放宽傅里叶空间中低频约束来增加图像样式的多样性，并引入对抗学习进一步扩展样式范围，并在潜在特征中找到最复杂的样式组合，从而有效地帮助实现良好的领域普适性，有潜力进一步提升一些先进的 SDG 方法的性能。

Mar, 2024

通过使用不同域中的数据增强，我们提出了一种名为 Style Transfer Method（STM）的新的攻击方法，利用提出的任意风格转换网络将图像转换为不同的域，从而显著提高了对抗性可转移性。

Aug, 2023

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

该论文介绍了使用样式化图像来增强数据集中的偏见纠正方法，以达到在不同领域中进行分类的目的。他们提供了一种基于领域内的纯样式化图像的方法，并通过详细的分析证实了该方法的机制，结果超过或与使用更复杂的方法的现有技术相当。

Jun, 2020

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

本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间，以提高图像的编码质量和风格传递的效果。实验证明，与以往的图像风格转换方法相比，所提出的方法在需要图像间语义对应的复杂场景中表现得更好。

Aug, 2020

本文提出了一种基于随机样式转换的数据增广方法，即样式增广，以提高卷积神经网络在分类、回归和领域迁移任务中的鲁棒性。在训练期间，通过从多元正态分布中采样输入样式嵌入，将任意样式转换网络调整为执行样式随机化，以随机化纹理、对比度和颜色，同时保留形状和语义内容，并且与传统的数据增广技术相结合以改进网络性能。通过分类和单目深度估计领域迁移实验的验证，证明本文提出的技术方法能够提高模型的泛化能力。

Sep, 2018