D-GAP：基于数据无关性和梯度引导的频率与像素空间增强提升 OOD 鲁棒性
计算机视觉与模式识别
2026-03-12 v2 人工智能
摘要
在实际计算机视觉应用中，图像背景、风格及获取仪器的变化始终会导致模型性能下降，使 OOD 鲁棒性难以实现。常规增强方法在此类变化下表现不一，而数据特定增强则需要专家知识和先前分析。此外，先前研究表明，神经网络因对域特定频率成分的学习偏好而在域迁移方面表现不佳。扰动频率值可缓解此偏好，但忽略像素级细节，导致性能次优。为解决此问题，本文提出 D-GAP（Dataset-agnostic and Gradient-guided augmentation method for the Amplitude spectrum），在频率空间和像素空间引入针对性增强，以提高 OOD 鲁棒性。不同于常规手工增强，D-GAP 从任务梯度计算频率空间中的灵敏度图，这些图反映深度模型对不同频率成分的响应强度，并据此对振幅在源样本与目标样本之间进行自适应插值。如此可减少频率空间中的学习偏好，同时通过像素空间的互补混合程序恢复细粒空间细节。在四个真实数据集和三个域适应基准上，D-GAP 均显著优于常规与数据特定域适应方法，在真实数据集上提升平均 OOD 性能 +5.3%，在基准数据集上提升 +1.9%。
引用
@article{arxiv.2511.11286,
title = {D-GAP: Improving Out-of-Domain Robustness via Dataset-Agnostic and Gradient-Guided Augmentation in Frequency and Pixel Spaces},
author = {Ruoqi Wang and Haitao Wang and Shaojie Guo and Qiong Luo},
journal= {arXiv preprint arXiv:2511.11286},
year = {2026}
}