动态领域泛化

领域泛化（Domain Generalization, DG）是机器学习领域中一个基础但极具挑战性的研究课题。现有方法主要聚焦于在有限源域下，通过静态模型学习领域无关特征。然而，当模型推广至未知目标域（agnostic target domains）时，缺乏无需训练的机制来动态调整模型以适应新域。为解决这一问题，我们提出了一种全新的DG范式——动态领域泛化（Dynamic Domain Generalization, DDG），该方法使模型能够通过调整网络参数来适应来自不同域的数据。具体而言，我们引入一个元调整器（meta-adjuster），根据来自不同域的数据，对静态模型的网络参数进行动态调整。在此机制下，静态模型专注于学习领域共享特征，而元调整器则负责捕捉领域特异性特征。为实现这一过程，我们采用DomainMix技术，在训练元调整器时模拟多样化域的数据，从而使其能够有效适应未来可能出现的未知目标域。该学习机制使得模型能够在不进行额外训练的前提下，通过参数调整实现对各类未知目标域的有效泛化。大量实验验证了所提方法的有效性。代码已开源，地址为：https://github.com/MetaVisionLab/DDG