論文の概要: Evaluation of Randomization through Style Transfer for Enhanced Domain Generalization

• arxiv url: http://arxiv.org/abs/2604.05616v1
• Date: Tue, 07 Apr 2026 09:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.729993
• Title: Evaluation of Randomization through Style Transfer for Enhanced Domain Generalization
• Title（参考訳）: 拡張ドメイン一般化のためのスタイル転送によるランダム化の評価
• Authors: Dustin Eisenhardt, Timothy Schaumlöffel, Alperen Kantarci, Gemma Roig,
• Abstract要約: コンピュータビジョンのためのディープラーニングモデルは、現実世界の環境に配備された場合、しばしば一般化の貧弱さに悩まされる。 ドメイン一般化のためのデータ拡張戦略としてのスタイル転送の人気が高まっているにもかかわらず、文献には3つの重要な設計軸に関する未解決の矛盾が含まれている。 本研究は,シーン理解を促進する要因を分離し,評価するシステム実証研究である。 StyleMixDGは軽量でモデルに依存しない拡張レシピで、アーキテクチャの変更や追加の損失を必要としない。
• 参考スコア（独自算出の注目度）: 7.239201616186842
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep learning models for computer vision often suffer from poor generalization when deployed in real-world settings, especially when trained on synthetic data due to the well-known Sim2Real gap. Despite the growing popularity of style transfer as a data augmentation strategy for domain generalization, the literature contains unresolved contradictions regarding three key design axes: the diversity of the style pool, the role of texture complexity, and the choice of style source. We present a systematic empirical study that isolates and evaluates each of these factors for driving scene understanding, resolving inconsistencies in prior work. Our findings show that (i) expanding the style pool yields larger gains than repeated augmentation with few styles, (ii) texture complexity has no significant effect when the pool is sufficiently large, and (iii) diverse artistic styles outperform domain-aligned alternatives. Guided by these insights, we derive StyleMixDG (Style-Mixing for Domain Generalization), a lightweight, model-agnostic augmentation recipe that requires no architectural modifications or additional losses. Evaluated on the GTAV $\rightarrow$ {BDD100k, Cityscapes, Mapillary Vistas} benchmark, StyleMixDG demonstrates consistent improvements over strong baselines, confirming that the empirically identified design principles translate into practical gains. The code will be released on GitHub.
• Abstract（参考訳）: コンピュータビジョンのためのディープラーニングモデルは、特によく知られたSim2Realギャップのために合成データで訓練された場合、現実世界の環境での一般化が不十分であることが多い。 ドメイン一般化のためのデータ拡張戦略としてスタイル転送の人気が高まっているにもかかわらず、この文献には3つの主要な設計軸(スタイルプールの多様性、テクスチャの複雑さの役割、スタイルソースの選択)に関する未解決の矛盾が含まれている。 本研究は,シーン理解の促進,先行作業の不整合の解消,各要因の分離と評価を行う系統的実証研究である。 以上の結果から (i)流儀プールの拡幅は、流儀の少ない繰り返し増築よりも大きな利得となる。 (二)プールの大きさが十分に大きい場合、テクスチャの複雑さに有意な影響はない。 (三)多種多様の芸術様式が藩派に勝る。 これらの洞察によって導かれたStyleMixDG(Style-Mixing for Domain Generalization)は、アーキテクチャの変更や追加の損失を必要としない、軽量でモデルに依存しない拡張レシピです。 GTAV $\rightarrow$ {BDD100k, Cityscapes, Mapillary Vistas}ベンチマークで評価されたStyleMixDGは、強力なベースラインよりも一貫した改善を示し、経験的に特定された設計原則が実践的な利益をもたらすことを確認した。 コードはGitHubでリリースされる。

関連論文リスト

• Toward Generalizable Deblurring: Leveraging Massive Blur Priors with Linear Attention for Real-World Scenarios [9.82847623835017]
  GLOWDeblurは、畳み込みベースの事前再構成とドメインアライメントモジュールと軽量な拡散バックボーンを組み合わせた、一般化可能なreaL-wOrld Light Weight Deblurモデルである。 本稿では,Blur Pattern Pretraining (BPP)を提案する。 我々はさらに、高度劣化下でぼやけた前兆を強化するためにMoSeG(MoSeG)を導入し、それをGLOWDeblur(GLOWDeblur)に統合する。
  論文  参考訳（メタデータ） (2026-01-10T11:01:31Z)
• Casual Inference via Style Bias Deconfounding for Domain Generalization [28.866189619091227]
  本稿では, 因果推論に基づく新しいフレームワークであるStyle Deconfounding Causal Learningを紹介する。 提案手法は、ドメイン一般化問題に適した構造因果モデル(SCM)の構築から始まり、スタイルの影響を考慮に入れたバックドア調整戦略を適用する。 この基礎の上に構築したSGEM(style-guided Expert Module)は,トレーニング中のスタイル分布を適応的にクラスタリングし,グローバルなコンバウンディングスタイルをキャプチャする。 バックドア因果学習モジュール(BDCL)は特徴抽出中に因果介入を行い、グローバルな共起スタイルをサンプル予測に適切に統合し、スタイルバイアスを効果的に低減する。
  論文  参考訳（メタデータ） (2025-03-21T04:52:31Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Intra- & Extra-Source Exemplar-Based Style Synthesis for Improved Domain Generalization [21.591831983223997]
  セマンティックセグメンテーションにおけるドメインの一般化を改善するために,先進的なスタイル合成パイプラインを提案する。 提案手法は,StyleGAN2インバージョンのためのマスク付きノイズエンコーダに基づく。 データシフトの種類によって、ドライブシーンセマンティックセマンティックセグメンテーションの最大12.4%のmIoU改善を実現しています。
  論文  参考訳（メタデータ） (2023-07-02T19:56:43Z)
• Style-Hallucinated Dual Consistency Learning: A Unified Framework for Visual Domain Generalization [113.03189252044773]
  本稿では,様々な視覚的タスクにおけるドメインシフトを処理するための統合フレームワークであるStyle-HAllucinated Dual consistEncy Learning (SHADE)を提案する。 我々の汎用SHADEは、画像分類、セマンティックセグメンテーション、オブジェクト検出など、様々な視覚認識タスクにおける一般化を著しく向上させることができる。
  論文  参考訳（メタデータ） (2022-12-18T11:42:51Z)
• Synthetic-to-Real Domain Generalized Semantic Segmentation for 3D Indoor Point Clouds [69.64240235315864]
  本稿では,本課題に対して,合成-実領域一般化設定を提案する。 合成と実世界のポイントクラウドデータのドメインギャップは、主に異なるレイアウトとポイントパターンにあります。 CINMixとMulti-prototypeの両方が分配ギャップを狭めることを示した。
  論文  参考訳（メタデータ） (2022-12-09T05:07:43Z)
• Style-Hallucinated Dual Consistency Learning for Domain Generalized Semantic Segmentation [117.3856882511919]
  本稿では、ドメインシフトを処理するためのStyle-HAllucinated Dual consistEncy Learning(SHADE)フレームワークを提案する。 SHADEは3つの実世界のデータセットの平均mIoUに対して5.07%と8.35%の精度で改善し、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-06T02:49:06Z)
• Semi-Supervised Domain Generalization with Stochastic StyleMatch [90.98288822165482]
  実世界のアプリケーションでは、アノテーションのコストが高いため、各ソースドメインから利用可能なラベルはわずかです。 本研究では,より現実的で実践的な半教師付き領域一般化について検討する。 提案手法であるStyleMatchは,擬似ラベルに基づく最先端の半教師付き学習手法であるFixMatchに着想を得たものである。
  論文  参考訳（メタデータ） (2021-06-01T16:00:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。