本篇论文提出了一种基于模型的域泛化方法，通过对数据生成过程和同变性条件的建模，将域泛化问题转化为一个无限维的有约束统计学习问题，并利用非凸对偶理论发展了有约束松弛的统计问题，提出了具有收敛保证的域泛化算法，并在ColoredMNIST，Camelyon17-WILDS，FMoW-WILDS和PACS等基准测试中取得了高达30个百分点的改进。

Feb, 2021

本文提出一种基于域泛化的新型校准方法，通过利用多个校准域来减少目标域与校准域之间的分布差异，实现校准转移的改进，并且不需要来自目标域的数据，通过理论和实证实验的方法展示了该方法的有效性，并比较了其表现与其他基于域适应的最先进的校准方法。实验表明，在Office-Home数据集上的多类别分类中，我们所提出的校准方法的表现提高了35个百分点，期望校准误差降低了8.86个百分点。

Apr, 2021

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

该论文提出了一种利用单个测试样本进行跨域泛化模型训练的元学习方法，将单个测试样本的自适应变形建模为一种变分贝叶斯推断问题，从而在无需额外数据的情况下实现了对每个测试样本的自动调整，并在多个领域泛化基准测试中取得了至少与现有最先进方法相当甚至更好的性能。

Feb, 2022

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

本文提出一种新颖的领域泛化方法，通过视觉对齐和基于不确定性引导的置信度集成(VAUE)来处理分布偏移，在4个广泛使用的数据集上展示了其卓越的性能。

Sep, 2022

本文通过修改当前领域泛化协议，建议从头开始训练并使用多个测试域来更准确地评估泛化能力，并引入新的排行榜以鼓励未来的领域泛化研究。

May, 2023

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

本文研究了视觉Transformer在领域适应和领域泛化方案中的应用，包括特征级、实例级、模型级以及混合方法的适应，以及多领域学习、元学习、正则化技术和数据增强策略的领域泛化方法，总结了各种与分布变化相关的策略，并提供了有价值的洞见和综合表格，展示了视觉Transformer在处理分布变化方面的多样性和实用性。

Apr, 2024

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。

Jul, 2024