نقدّم تقنية "أقنعة محددة بالحقل" للتحسين في التعميم، وهي نموذج يهدف إلى تحسين أداء التعميم داخل الحقل وخارج الحقل. أما في مجال تعميم الحقول (Domain Generalization)، فإن الهدف هو التعلّم من مجموعة من الحقول المصدرية لإنتاج نموذج واحد قادر على التعميم الأمثل على حقل هدف غير مرئى. وبناءً على ذلك، تركّز العديد من الطرق السابقة على تعلّم تمثيلات تبقى ثابتة عبر جميع الحقول المصدرية بافتراض أن هذه التمثيلات غير مرتبطة بالحقل (domain-agnostic) ستكون قادرة على التعميم بشكل جيد. ولكن غالبًا ما تحتوي الحقول الفردية على خصائص فريدة، وإذا تم استغلالها بشكل صحيح، يمكن أن تُسهم بشكل كبير في تحسين أداء التعرف داخل الحقل. ولإنتاج نموذج يُحقّق أفضل تعميم على الحقول المرئية وغير المرئية معًا، نقترح تعلّم "أقنعة محددة بالحقل" (Domain-specific Masks). حيث تُشجّع هذه الأقنعة على تعلّم توازن بين الخصائص الثابتة بالنسبة للحقل والخصائص المحددة بالحقل، مما يمكّن النموذج من الاستفادة من القوة التنبؤية للخصائص المتخصصة مع الحفاظ على التطبيق الشامل للخصائص الثابتة بالنسبة للحقل. ونُظهر أداءً تنافسيًا مقارنة بالأساليب الأساسية (naive baselines) والأساليب الرائدة في المجال على مجموعتي البيانات PACS وDomainNet.