基于链路思考的风格演化用于未知领域目标检测

最近，提出了单域通用目标检测（Single-DGOD）任务，旨在使检测器在训练期从未看到的多个未知领域中进行泛化。由于缺乏目标域数据，一些方法利用视觉语言模型的多模态能力，通过文本提示来估计跨域信息，从而增强模型的泛化能力。这些方法通常使用单个文本提示，称为单步骤提示方法。然而，在处理诸如雨天与夜晚组合等复杂风格时，我们注意到单步骤提示方法的性能倾向较弱。原因可能是许多场景不仅包含单一风格，还包含多种风格的组合。单步骤提示方法可能无法有效地合成涉及各种风格的综合信息。为解决这一局限性，我们提出了一种新方法，即沿链路思考的风格演化（Style Evolving along Chain-of-Thought），旨在沿着链路思考逐步集成和扩展风格信息，以实现风格的持续演化。具体而言，通过逐步细化风格描述并引导风格的多样化演化，这种方法能够更准确地模拟各种风格特征，有助于模型逐渐学习和适应风格之间的细微差异。此外，它还能让模型接触更广泛的风格特征，这些特征具有不同的数据分布，从而增强其在未见域中的泛化能力。对五种恶劣天气情景和 Real to Art 数据集的显著性能提升表明了我们方法的优越性。