本文提出了一个 WEb-image assisted Domain GEneralization(WEDGE) 方案，利用网络爬取的数据集进行语义分割的域泛化，将网络爬取的数据代表的样式表达引入源域，通过有效训练使网络经历不同风格的图像，通过使用带有伪标签的网络爬取数据集训练可以进一步提高网络的能力，并通过广泛的实验表明，该方法明显优于现有的域泛化技术。

Sep, 2021

本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

Feb, 2022

本文提出一种框架，包括两个新模块：Semantic-Aware Normalization（SAN）和Semantic-Aware Whitening（SAW），用于域通用语义分割，该模型训练为域不变而不使用任何目标域数据，并且验证结果显示，该模型在各种backbone网络上均优于现有的最先进性能。

Apr, 2022

该研究提出两种新的神经网络框架（DAFormer和HRDA）来解决在未标记或不可见目标域上使用源域模型的问题，以提高无监督领域适应和领域泛化的性能，并在多个基准测试中取得了显著的改进。

Apr, 2023

本文提出了一种基于Content-enhanced Mask TransFormer (CMFormer)的Transformer分割模型，该模型通过将图像内容信息和其下采样版本的图像特征融合到一个多分辨率内容增强的蒙版注意力学习方案中，从而在各种领域通用的城市场景语义分割数据集上显着优于现有的基于CNN的方法。

Jul, 2023

基于数据增强驱动的方法，使用重新参数化的视觉Transformer（ReVT）和多模型训练后的权重平均化，实现语义分割的域通用化，在多个基准数据集上实现了47.3％（之前的技术：46.3％）的小型模型和50.1％（之前的技术：47.8％）的中型模型的最新mIoU性能，同时需要更少的参数，并且帧速率更高，与最佳之前的技术相比，易于实施，而且在推断期间不会增加任何计算复杂度。

Aug, 2023

通过在Transformer网络中增强注意力模块，结合同一批次的其他独立样本信息以提高域广义语义分割（DGSS）的性能，我们的提出的IBAFormer方法在DGSS中取得了最先进的性能，消融研究进一步证实了每个引入组件的有效性。

Sep, 2023

通过利用语言作为随机化的源，在语义分割网络中引入简单的框架来实现泛化。通过最小化微调、语言驱动的局部样式增强和在训练过程中混合源和增强样式的随机化三个关键要素，我们进行了大量实验，在各种泛化基准测试中取得了最先进的结果。

Nov, 2023

本研究提出了一种基于视觉-语言模型的视觉语义分割方法，通过在源领域进行训练并在未见目标领域进行评估，提高了领域通用性。实验证明，该方法在域通用分割中的性能优于传统的视觉训练方法，取得了7.6% mIoU的提升。同时，在主流数据集上取得了76.48% mIoU的性能，超过了此前最优方法6.9% mIoU的水平。还表明该方法在领域内具有强大的泛化能力，并在当前排行榜上与最优方法并列第一。

Dec, 2023

使用CoLlaborative FOUndation模型组合来进行域泛化语义分割，通过集成不同类型特征模型实现内容多样性和预测优化，从而在适应各种目标分布并在不同天气条件下从合成到实际场景的域泛化语义分割基准中表现出色。

Dec, 2023