Jul, 2024

多源有条件扩散模型引导的反馈指导域综合

HTML
PDF
TL;DR通过使用扩散模型在源分布样本上进行训练和执行领域混合，我们提出了一种名为FDS的新方法，用于合成来自新领域的样本，确保生成一个广泛分布谱的训练集，从而在领域泛化性能方面在各种具有挑战性的数据集上建立新的基准。
发现论文，激发创造
  • 更深，更广，更艺术化的领域泛化

    本文主要介绍了如何利用深度学习和CNN模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

    Oct, 2017

  • 学习泛化：领域泛化的元学习

    本文提出了一种元学习方法，通过在每个小批处理中合成虚拟测试领域，模拟训练/测试领域变化的过程，使用模型无关的培训程序，这种方法在最新的跨领域图像分类基准测试中取得了最先进的结果，并在两项经典强化学习任务中展示了其潜力。

    Oct, 2017

  • 寻找失落的领域泛化

    本文介绍一种在不同训练集下预测性能好的算法——domain generalization algorithms，并提出它们在实际应用中的可用性。作者实现了一个名为 DomainBed 的测试平台，测试了不同数据集、不同基准算法和不同模型选择的效果，并发现在经验风险最小化的情况下，预测性能最优。研究人员们的贡献，加上这个领域的开源，将推动可重复性和严格性研究的发展。

    Jul, 2020

  • 无监督域泛化

    本研究旨在探索如何通过无监督学习帮助深度模型跨域泛化。通过预训练无标签数据，DARLING方法可以从根本上改善有限标记数据的不足，增强模型的泛化能力。

    Jul, 2021

  • 单一领域泛化的多样化学习

    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

  • DomainStudio: 使用有限数据对领域驱动图像生成的扩散模型进行微调

    本文提出了一种DomainStudio方法，用于将在大规模源数据集上预先训练的DDPMs调整到目标域，以在目标域中生成高质量且具有多样性的样本，从而实现无条件少样本图像生成。

    Jun, 2023

  • 领域引导条件扩散模型的无监督领域自适应

    通过引入类别信息和领域分类器，DomAin-guided Conditional Diffusion Model (DACDM) 生成的样本有助于现有的无监督领域自适应方法更轻松地从源域传递到目标域，从而提高了转移性能。DACDM 在各种基准测试中的大量实验证明了其对现有无监督领域自适应方法性能的显著提升。

    Sep, 2023

  • 基于扩散的域延伸用于通用语义分割的泛化方法

    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

  • 无源领域适应与扩散指导的源数据生成

    本文介绍了一种新的方法，利用扩散模型(Diffusion Models)对源无关域适应(Source-Free Domain Adaptation, SFDA)的一般化能力。我们提出的DM-SFDA方法包括对预训练的文本-图像扩散模型进行微调，以利用目标图像特征来指导扩散过程，生成源域图像。具体来说，预训练的扩散模型通过微调生成能够在预训练的源模型中最小化熵并最大化置信度的源样本。然后，我们应用已建立的无监督域适应技术来将生成的源图像与目标域数据对齐。我们通过包括Office-31、Office-Home和VisDA在内的多个数据集进行了全面实验验证。实验结果突出了SFDA性能的显著提升，展示了扩散模型在生成与上下文相关的域特定图像方面的潜力。

    Feb, 2024

  • 有限数据之外: 通过外推实现无数据外域泛化

    利用大型语言模型和文本到图像生成技术，我们介绍了一种领域外推方法，通过合成全新领域的高保真、逼真的图像来显著提高域泛化数据集的训练效果，实现了单一和多领域泛化任务上的显著改进，甚至在没有任何收集数据的条件下，超过了监督设置的表现。

    Mar, 2024