多组分图像转换用于深度领域泛化

领域适应（Domain Adaption, DA）和领域泛化（Domain Generalization, DG）是两种密切相关的方法，它们都致力于为未标记的数据集分配标签的任务。这两种方法之间的唯一不同之处在于，DA 在训练阶段可以访问目标数据，而 DG 在训练阶段完全无法接触到目标数据。由于我们对目标样本没有任何先验知识，因此 DG 任务具有挑战性。如果直接通过简单地排除目标数据来将 DA 方法应用于 DG，将会导致在给定任务上的性能较差。本文中，我们从两个方面应对领域泛化的挑战。首先，我们提出了一种新颖的深度领域泛化架构，该架构利用生成对抗网络（Generative Adversarial Network, GAN）生成的合成数据。通过使用现有的领域差异度量指标（如最大均值差异或相关对齐），最小化生成图像与合成图像之间的差异。其次，我们引入了一种协议，用于在排除目标数据的情况下将 DA 方法应用于 DG 场景。具体做法是将源数据划分为训练集和验证集，并将验证集视为 DA 中的目标数据进行处理。我们在四个跨域基准数据集上进行了广泛的实验。实验结果表明，我们提出的模型在 DG 任务上优于当前最先进的方法。