摘要
在许多现实场景中，由于缺乏多样化的训练数据、目标数据不可获取以及可能存在较大的域偏移，将模型泛化到未见过的图像域是一个具有挑战性的问题。因此，数据增强成为了解决这一问题的域泛化方法中的关键组成部分。本文提出了一种新颖的算法——对抗贝叶斯增强（Adversarial Bayesian Augmentation, ABA），该算法能够在单源域泛化的复杂设置下学习生成图像增强。ABA 结合了对抗学习和贝叶斯神经网络的优势，指导生成多样化的数据增强——这些合成的图像域有助于分类器更好地泛化到未见过的域。我们在多种类型的域偏移上验证了 ABA 的有效性，包括风格偏移、子群体偏移以及医学影像中的偏移。实验结果表明，ABA 在所有先前的最先进方法中表现最佳，优于预定义增强、基于像素的增强和基于卷积的增强方法。