用于单域泛化的渐进式随机卷积

单域泛化旨在仅使用一个源域训练可泛化模型，使其在任意未见目标域上表现良好。基于随机卷积（RandConv）的图像增强由一个为每个小批量随机初始化的卷积层组成，尽管结构简易轻量，却能通过扭曲局部纹理使模型学习可泛化的视觉表征。然而，RandConv存在结构局限：随着核尺寸增大，生成图像易丢失语义，且单一卷积操作本身缺乏多样性。为解决该问题，我们提出渐进式随机卷积（Pro-RandConv）方法，递归堆叠具有小核尺寸的随机卷积层，而非增大核尺寸。该渐进方法不仅能通过减小理论感受野中远离中心的像素影响来缓解语义扭曲，还能通过逐步增加风格多样性来创建更有效的虚拟域。此外，我们将基础随机卷积层发展为包含可变形偏移和仿射变换的随机卷积块，以支持纹理与对比度多样化，二者同样随机初始化。无需复杂生成器或对抗学习，我们证明这一简单而有效的增强策略在单域泛化基准上优于最先进的方法。