PhysAug：一种面向单域泛化目标检测的物理引导与频域结合数据增强方法

单域泛化目标检测（Single-Domain Generalized Object Detection, S-DGOD）旨在通过利用目标检测器，在单一源域上进行训练，从而实现对多种未见目标域的鲁棒性能。现有的S-DGOD方法通常依赖于数据增强策略，包括多种视觉变换的组合，以提升检测器的泛化能力。然而，由于缺乏真实世界先验知识，现有数据增强方法难以有效促进训练数据分布的多样性。为解决这一问题，本文提出一种基于物理模型的非理想成像条件数据增强方法——PhysAug，以增强S-DGOD任务的适应能力。受大气光学原理的启发，我们构建了一个通用扰动模型，作为PhysAug方法的基础。鉴于视觉扰动通常源于光线与大气粒子之间的相互作用，本方法利用图像频谱特性来模拟真实世界中的成像变化，从而在训练过程中引入更具现实意义的多样性。该策略促使检测器学习域不变的特征表示，显著提升其在不同场景下的泛化能力。本方法无需修改网络结构或损失函数，即可在多个S-DGOD数据集上显著超越现有最先进方法。尤其在DWD和Cityscapes-C数据集上，相较于基线模型，分别实现了7.3%和7.2%的显著性能提升，充分验证了其在真实场景下更强的泛化能力。