摘要

领域泛化（Domain Generalization, DG）旨在将多个源（即训练）域上训练的模型推广到分布不同的目标（即测试）域。与传统领域泛化严格要求多个源域可用不同，本文考虑了一种更为现实但更具挑战性的场景，即单域泛化（Single-DG），在这种情况下，仅有一个源域可用于训练。在这一场景中，有限的多样性可能会危及模型在未见过的目标域上的泛化能力。为了解决这一问题，我们提出了一种风格互补模块，通过合成与源域互补的多样化分布图像来增强模型的泛化能力。具体而言，我们采用了生成样本与源样本之间互信息（Mutual Information, MI）的一个可处理的上界，并进行两步迭代优化：(1) 通过最小化每对样本的互信息上界近似值，迫使生成的图像与源样本具有差异性；(2) 随后，我们最大化同一语义类别内样本之间的互信息，这有助于网络从多样化的风格图像中学习区分特征。在三个基准数据集上的大量实验表明了我们方法的优势，其性能超越了现有的最先进的单域泛化方法，最高提升了25.14%。