FOUND：面向目标检测单域泛化的傅里叶 von Mises 分布
计算机视觉与模式识别
2025-11-14 v1
摘要
目标检测的单域泛化旨在训练模型以单一源域数据，有效泛化到未见目标域。虽然最近的CLIP基方法在语义增强方面取得了进展，但常常忽视特征分布和频率域特性，这些特性对鲁棒性至关重要。本文提出一种新框架，通过集成von Mises-Fisher（vMF）分布和傅里叶变换，构建CLIP引导的管线以增强单域泛化目标检测。具体而言，我们使用vMF建模对象表示的方向性特征，以更好地捕获嵌入空间中具有域不变性语义结构的特征。此外，我们引入基于傅里叶的增强策略，通过扰动振幅和相位分量以模拟频率域中的域迁移，进一步提高特征鲁棒性。我们的方法不仅保留了CLIPS语义对齐优势，还丰富了跨域的特征多样性和结构一致性。在多样化天气驾驶基准测试上进行大量实验，表明我们的方法优于现有最先进方法。
引用
@article{arxiv.2511.10352,
title = {FOUND: Fourier-based von Mises Distribution for Robust Single Domain Generalization in Object Detection},
author = {Mengzhu Wang and Changyuan Deng and Shanshan Wang and Nan Yin and Long Lan and Liang Yang},
journal= {arXiv preprint arXiv:2511.10352},
year = {2025}
}