BatStyler：用于源自域泛化的多类别风格生成
计算机视觉与模式识别
2025-01-03 v1 人工智能
摘要
源自域泛化（SFDG）旨在开发可在未见域上运行的模型，而无需依赖任何源域。然而，由于训练数据的不可得性，其实现仍受限。SFDG领域的研究聚焦于多模态模型的知识传递以及基于多个模态联合空间的风格合成，从而消除对源域图像的依赖。然而，现有工作主要适用于多域和少类别配置，而在多域和多类别配置下的性能相对较差。此外，风格合成的效率在多类别场景下也会下降。如何高效合成足够多样化的数据并应用于多类别配置是一个具有更大实际价值的方向。本文提出了一种称为BatStyler的方法，用于提高多类别场景下的风格合成能力。BatStyler包含两个模块：粗粒度语义生成和统一风格生成模块。粗粒度语义生成模块提取粗粒度语义，以防止在多类别配置下对风格多样性学习空间的压缩；而统一风格生成模块提供在空间中均匀分布的风格模板，并实现并行训练。大量实验表明，在少类别数据集上，我们的方法表现与最先进方法相当，而在多类别数据集上则超越了最先进的方法。
引用
@article{arxiv.2501.01109,
title = {BatStyler: Advancing Multi-category Style Generation for Source-free Domain Generalization},
author = {Xiusheng Xu and Lei Qi and Jingyang Zhou and Xin Geng},
journal= {arXiv preprint arXiv:2501.01109},
year = {2025}
}
备注
Accepted by IEEE TCSVT