让合成数据闪耀：单域泛化的域重组与软融合
计算机视觉与模式识别
2026-03-24 v2
摘要
单域泛化 (SDG) 旨在利用单一来源的数据训练在多样化场景中保持一致性能的模型。虽然潜在扩散模型 (LDMs) 在增强有限的源数据方面显示出前景，但我们的分析表明，直接使用合成数据不仅可能无法提供益处，反而可能因合成域与真实目标域之间巨大的特征分布差异而损害性能。为解决此问题，我们提出了判别式域重组与软融合 (DRSF)，一个利用合成数据提升模型泛化能力的训练框架。我们使用 LDMs 生成多样化的伪目标域样本，并引入两个关键模块来处理分布偏差。首先，判别式特征解耦与重组 (DFDR) 模块使用熵引导注意力来重新校准通道级特征，抑制合成噪声同时保持语义一致性。其次，多伪域软融合 (MDSF) 模块使用潜在空间特征插值的对抗训练，在域之间创建连续的特征转换。广泛的 SDG 实验在图像分类、目标检测和语义分割上证明 DRSF 带来了显著的性能提升，且计算开销仅略有增加。值得注意的是，DRSF 的即插即用架构使其能够无缝集成到无监督域适应范式中，突显了其对多样化真实世界域挑战的广泛适用性。
引用
@article{arxiv.2503.13617,
title = {Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization},
author = {Hao Li and Yubin Xiao and Ke Liang and Mengzhu Wang and Long Lan and Kenli Li and Xinwang Liu},
journal= {arXiv preprint arXiv:2503.13617},
year = {2026}
}
备注
26 pages, 10 figures (Accepted by IJCV)