摘要

单域泛化旨在仅使用一个源域训练一个可泛化的模型，使其在任意未见过的目标域上表现良好。基于随机卷积（RandConv）的图像增强方法通过为每个小批量随机初始化一个卷积层来扭曲局部纹理，从而使得模型能够学习到可泛化的视觉表示，尽管其结构简单且轻量级。然而，RandConv 存在结构上的局限性，即随着核尺寸的增加，生成的图像容易失去语义信息，并且单一卷积操作缺乏内在多样性。为了解决这一问题，我们提出了一种递进式随机卷积（Pro-RandConv）方法，该方法通过递归堆叠具有较小核尺寸的随机卷积层而不是增加核尺寸来实现。这种递进式方法不仅可以通过减少理论感受野中远离中心像素的影响来缓解语义失真，还可以通过逐渐增加风格多样性来创建更有效的虚拟域。此外，我们将基本的随机卷积层发展为包含可变形偏移和仿射变换的随机卷积块，以支持纹理和对比度的多样化，这些变换同样也是随机初始化的。无需复杂的生成器或对抗学习机制，我们证明了我们的简单而有效的增强策略在单域泛化基准测试中优于现有的最先进方法。