FDS：基于多源条件扩散模型的反馈引导域合成用于域泛化
计算机视觉与模式识别
2024-12-20 v3
摘要
域泛化技术旨在通过模拟训练期间新数据分布的方式来增强模型的鲁棒性，通常通过各种数据增强或风格化策略来实现。然而，这些方法常常受限于对生成图像多样性的控制，以及缺乏确保这些图像跨越不同分布的保证。为此，我们提出了 FDS（Feedback-guided Domain Synthesis），一种新颖策略，利用扩散模型对源域上所有训练的单个模型进行训练，并基于学习到的特征进行域混合，以合成新伪域。通过纳入对在原始样本上训练的模型构成分类挑战的图像，以及原始数据集一起使用，我们确保生成的训练集能够跨越广泛的分布光谱。我们的全面评估表明，这一方法在一系列具有挑战性的数据集上建立了新的域泛化性能基准，有效地管理了各种类型的域迁移。代码可在 \url{https://github.com/Mehrdad-Noori/FDS.git} 访问。
引用
@article{arxiv.2407.03588,
title = {FDS: Feedback-guided Domain Synthesis with Multi-Source Conditional Diffusion Models for Domain Generalization},
author = {Mehrdad Noori and Milad Cheraghalikhani and Ali Bahri and Gustavo Adolfo Vargas Hakim and David Osowiechi and Moslem Yazdanpanah and Ismail Ben Ayed and Christian Desrosiers},
journal= {arXiv preprint arXiv:2407.03588},
year = {2024}
}
备注
Accepted to WACV 2025