利用测试时风格迁移与多样性增强推进跨器官域泛化
计算机视觉与模式识别
2025-03-25 v1
摘要
深度学习在应对包括计算病理学 (CPath) 在内的各个领域的挑战中取得了显著进展。然而，由于域偏移问题的复杂性，现有模型的性能会下降，尤其是在涉及多域或跨域任务时。本文提出了一种测试时风格迁移 (T3s)，它使用双向映射机制将源域和目标域的特征投影到统一的特征空间中，从而增强模型的泛化能力。为了进一步扩大风格表达空间，我们引入了跨域风格多样化模块 (CSDM)，以确保风格基之间的正交性。此外，还使用了数据增强和低秩适应技术来改善特征对齐和敏感性，使模型能够有效适应多域输入。我们的方法在三个未见过的数据集上证明了其有效性。
引用
@article{arxiv.2503.18567,
title = {Advancing Cross-Organ Domain Generalization with Test-Time Style Transfer and Diversity Enhancement},
author = {Biwen Meng and Xi Long and Wanrong Yang and Ruochen Liu and Yi Tian and Yalin Zheng and Jingxin Liu},
journal= {arXiv preprint arXiv:2503.18567},
year = {2025}
}
备注
2025 IEEE International Symposium on Biomedical Imaging (ISBI)