领域泛化(DG)
关注
分享
扫一扫
文章平均质量分 96
多恩Stone
聚焦时尚 AIGC -> https://github.com/wendashi/Cool-GenAI-Fashion-Papers
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
【Domain Generalization(6)】领域泛化与文生图之-DomainFusion (ECCV24)下/ Latent Distillation / Online Learing
对比度降低（Contrast Reduction）是一种常见的的 corruptions 方法，也对比了通过其他不同的 Corruption 方法获得的结果，最终 Avg 是降低对比度的效果最好。复杂背景图像上 LD 噪声的可视化。原创 2025-02-17 20:13:39 · 642 阅读 · 0 评论 -
【Domain Generalization(5)】领域泛化与文生图之-DomainFusion (ECCV24)上 / Latent Distillation / Online Learing
(A) DSI [68] 为每个源域使用了一个单独的LDM，并且需要在增强之前对所有的LDM进行。张合成图像用于增强 ，导致计算成本显著，导致生成时间延长，并显著增加了DG模型的训练时间。图 4 中的 style 和 content 进行分解的方法来自于。(C ) 提出的 DomainFusion。(B) CDGA [17] 离线生成超过。原创 2025-02-17 17:32:46 · 894 阅读 · 0 评论 -
【Domain Generalization(4)】领域泛化与文生图之 -- CDGA 跨域生成式数据增强 Cross Domain Generative Augmentation
Image Classification 上的领域泛化，重点是用 LDM 来做数据增强，关键是补充了 Cross Domain （两种 Domain 之间）的数据。原创 2025-01-14 21:23:33 · 821 阅读 · 0 评论 -
【Domain Generalization(3)】领域泛化与文生图之 -- QUOTA 任意领域中的生成物体的数量可控
任务是文生图，重点在生成图像中物体数量的准确性/可控性。关键是 Any Domain，在两阶段（不同 Domain） 的数据上对新增的 token 优化/训练，实现领域泛化。原创 2025-01-13 16:55:58 · 1111 阅读 · 0 评论 -
【Domain Generalization(2)】领域泛化在文生图领域的工作之——PromptStyler(ICCV23)
大规模预训练模型已观察到多种领域，其联合视觉语言空间中，文本特征可有效表示相关图像特征，且尽管存在模态差异，但存在跨模态迁移性现象，即可以使用文本特征训练分类器并使用图像特征进行推理，这为解决无源域数据的领域泛化问题提供了思路。原创 2024-12-31 18:06:55 · 1072 阅读 · 0 评论 -
【Domain Generalization(1)】增量学习/在线学习/持续学习/迁移学习/多任务学习/元学习/领域适应/领域泛化概念理解
该系列是对 Domain Generalization 的学习记录，本文详细介绍了 DG 的相关概念和代表性工作。原创 2024-12-31 17:01:22 · 1823 阅读 · 0 评论