DGFamba：学习流分解状态空间用于视觉领域泛化

领域泛化旨在从源领域学习一种可泛化到任意未见目标领域的表示。视觉领域泛化的根本挑战在于，尽管图像内容稳定，但剧烈的风格变化导致了领域鸿沟。以 VMamba 为代表的选择性状态空间领域展示了其在表示内容方面的全局感受野。然而，如何为选择性状态空间利用领域不变性却鲜有探索。在本文中，我们提出了一种新颖的流分解状态空间模型，称为 DG-Famba，用于视觉领域泛化。为了保持领域一致性，我们通过流分解创新地将风格增强和原始状态嵌入进行映射。在这个潜在流空间中，来自特定风格的每个状态嵌入由一条潜在概率路径指定。通过对齐潜在空间中的这些概率路径，状态嵌入能够表示相同的内容分布，而不受风格差异的影响。在各种视觉领域泛化设置上进行的广泛实验表明其具有 SOTA 性能。