测试时风格偏移：处理域泛化中的任意风格
计算机视觉与模式识别
2023-06-14 v2 人工智能
摘要
在域泛化（DG）中，模型训练时目标域未知，训练好的模型应在推理时成功作用于任意（可能未见的）目标域。这是一个难题，尽管近年来研究活跃，仍具重大挑战。本文采取一种简单而有效的途径应对该问题。我们提出测试时风格偏移，即在预测前，将测试样本（与源域风格差距大）的风格偏移至模型已熟悉的、最近的源域。该策略使模型能处理具有任意风格统计量的任何目标域，且测试时无需额外模型更新。此外，我们提出风格平衡，通过处理DG特有的不平衡问题，为最大化测试时风格偏移的优势提供良好平台。所提思路易于实现，并能与多种其他DG方案协同工作。不同数据集上的实验结果展示了我们方法的有效性。
引用
@article{arxiv.2306.04911,
title = {Test-Time Style Shifting: Handling Arbitrary Styles in Domain Generalization},
author = {Jungwuk Park and Dong-Jun Han and Soyeong Kim and Jaekyun Moon},
journal= {arXiv preprint arXiv:2306.04911},
year = {2023}
}
备注
ICML 2023 camera-ready version