ConstStyle：基于统一风格转换的鲁棒域生成

深度神经网络常因测试数据分布与训练数据不同而出现性能下降。域生成（DG）旨在通过关注域无关特征或增强数据多样性来解决此问题。然而，这些方法往往在训练域数量有限或已见（训练）域与未见（测试）域之间存在显著差距时表现不佳。为增强DG的鲁棒性，我们假设模型必须在接近未见测试域的数据上进行训练——这一目标由于缺乏对未见域先验知识而难以实现。基于此，我们提出ConstStyle，一种新方法，利用统一域捕获域无关特征，通过理论分析弥合域间差距。在训练期间，所有样本被映射到该统一域，以优化已见域。在测试期间，未见域样本被类似地投射，以进行预测。通过在统一域中对齐训练和测试数据，ConstStyle有效减少了域迁移的影响，即使在大范围域间差距或少量已见域的情况下也能实现良好效果。广泛的实验表明，ConstStyle在各种场景下均优于现有方法。尤其值得注意的是，在仅limited数量的已见域可用时，ConstStyle相较于下一佳方法可提升准确率最高达19.82%。