摘要
领域泛化（Domain Generalization, DG）旨在训练出不仅在训练阶段所用的源域数据上表现良好，且在未见的新型目标数据分布上同样具备优异性能的模型。DG中的一个核心挑战是防止模型对源域数据发生过拟合，而这一问题可通过在损失函数景观中寻找更平坦的极小值点来缓解。本文提出了一种面向领域泛化的量化感知训练方法（Quantization-aware Training for Domain Generalization, QT-DoG），并实证表明，权重量化能够有效促使损失景观中出现更平坦的极小值，从而显著提升模型的领域泛化能力。与传统以模型压缩为目标的量化方法不同，QT-DoG将量化视为一种隐式的正则化手段：通过在模型权重中引入噪声，引导优化过程向对扰动不敏感、抗过拟合能力更强的平坦极小值区域收敛。我们从理论和实证两个层面提供了充分证据，证明量化本身具有天然促进平坦极小值形成的特性，从而实现跨领域的更优泛化性能。此外，得益于量化带来的模型尺寸压缩优势，我们进一步验证了多个量化模型的集成策略可显著提升模型精度，且在不增加任何计算或内存开销的前提下，超越当前最先进的领域泛化方法。大量实验结果表明，QT-DoG在多种数据集、网络架构及量化算法下均展现出良好的泛化能力，且可与现有其他领域泛化方法无缝结合，充分体现了其广泛的适用性与鲁棒性。