读论文2:Unsupervised Domain Generalization by Learning a Bridge Across Domains

记录读论文的过程，如果哪里不对，请各位大佬指正。

文章题目：Unsupervised Domain Generalization by Learning a Bridge Across Domains
文章地址：CVPR 2022 Open Access Repository
代码有无：有

Abstract：

The ability to generalize learned representations across significantly different visual domains, such as between real photos, clipart, paintings, and sketches, is a fundamental capacity of the human visual system. In this paper, different from most cross-domain works that utilize some (or full) source domain supervision, we approach a relatively new and very practical Unsupervised Domain Generalization (UDG) setup of having no training supervision in neither source nor target domains. Our approach is based on selfsupervised learning of a Bridge Across Domains (BrAD) an auxiliary bridge domain accompanied by a set of semantics preserving visual (image-to-image) mappings to BrAD from each of the training domains. The BrAD and mappings to it are learned jointly (end-to-end) with a contrastive selfsupervised representation model that semantically aligns each of the domains to its BrAD-projection, and hence implicitly drives all the domains (seen or unseen) to semantically align to each other. In this work, we show how using an edge-regularized BrAD our approach achieves significant gains across multiple benchmarks and a range of tasks, including UDG, Few-shot UDA, and unsupervised generalization across multi-domain datasets (including generalization to unseen domains and classes).

        在截然不同的视觉领域（如真实照片、剪贴画、油画和素描之间）泛化所学表征的能力，是人类视觉系统的一项基本能力。在本文中，与大多数利用某些（或全部）源域监督的跨域工作不同，我们采用了一种相对较新且非常实用的无监督域泛化（UDG）设置，即在源域和目标域中都没有训练监督。我们的方法基于对跨域桥梁（Bridge Across Domains，BRAD）的自我监督学习，BRAD 是一个辅助桥梁域，并附有一组语义保存的视觉（图像到图像）映射，可从每个训练域映射到 BrAD。BrAD 及其映射与一个对比性自我监督表示模型共同学习（端到端），该模型将每个域与其 BrAD 投影进行语义对齐，从而隐式地促使所有域（见过或未见过）在语义上相互对齐。在这项工作中，我们展示了我们的方法如何利用边缘规则化 BrAD 在多个基准和一系列任务（包括 UDG、Few-shot UDA 和跨多域数据集的无监督泛化（包括对未见域和类的泛化））中取得显著收益。

---

0.abstract总结：

1.提出一种一种相对较新且非常实用的无监督域泛化（UDG）设置，即在源域和目标域中都没有训练监督。这种方法是基于BRAD的

2.介绍BRAD：BRAD 是一个辅助桥梁域，并附有一组语义保存的视觉（图像到图像）映射，可从每个训练域映射到 BrAD。BrAD 及其映射与一个对比性自我监督表示模型共同学习（端到端），该模型将每个域与其 BrAD 投影进行语义对齐，从而隐式地促使所有域（见过或未见过）在语义上相互对齐。

---

1.Introduction总结：

第一段：以人类视角举例引入，（个人感觉这种写法比较平易近人，让我有一种读下去的欲望）拥有可以在几乎无监督的情况下进行学习的基本能力。

第二段：介绍UDA和DG（以前的一些工作），从而引入UDG以及Few-Shot UDA (FUDA) 
UDA：目标领域可以是一系列未标记的图像
DG：目标领域甚至可以在训练过程中完全不可见

对于 UDA 和 DG 来说，泛化的成功意味着所需的下游任务（分类、检测等）将成功转移到新的可见或未知领域。然而，在大多数 UDA 和 DG 工作中，都假定对预期的下游任务有丰富的源领域监督。（在现实生活中不常见，因为在现实生活中下游任务的数据没有那么丰富）

提出UDG和Few-Shot UDA (FUDA)。

本文目标：限制最少（在标注要求方面）的 UDG 设置，即在训练时不需要任何源域监督，而且进一步泛化到具有新的未见类别的全新未见视觉域。

第三段：介绍物体边缘（物体边缘似乎是我们观察到的所有领域的共同通用视觉表征。）
物体边缘是BrAD的方法支撑。

介绍是我们的方法（BrAD）： "可学习的跨域桥梁"（Bridge Across Domains，BRAD）概念--这是一个辅助的视觉 "桥梁 "域，可以相对容易地在视觉上映射（在图像到图像的意义上）所有感兴趣的域。

过程简单介绍：BrAD 仅在我们的模型进行对比性自我监督训练时使用，用于将每个训练域的表征（特征）与共享 BrAD 的表征（特征）进