論文の概要: PAPT++: Risk-Aware Adversarial Tuning and Generation for Single Domain Generalization

• arxiv url: http://arxiv.org/abs/2609.04837v1
• Date: Fri, 04 Sep 2026 07:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.964146
• Title: PAPT++: Risk-Aware Adversarial Tuning and Generation for Single Domain Generalization
• Title（参考訳）: PAPT++: 単一ドメインの汎用化のためのリスクアウェア対応チューニングと生成
• Authors: Zhipeng Xu, De Cheng, Xinyang Jiang, Lingfeng He, Huaijie Wang, Dongsheng Li, Nannan Wang, Xinbo Gao,
• Abstract要約: 単一ドメインの一般化は、特定対象ドメインに一般化するラベル付きソースドメインからモデルを学習することを目的としている。 本稿では,単一ドメインの一般化のためのリスク認識型逆生成学習フレームワークPAPT++を紹介する。
• 参考スコア（独自算出の注目度）: 99.33114297216183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single domain generalization (SDG) aims to learn a model from one labeled source domain that generalizes to unseen target domains. A common strategy is to enrich the source distribution with augmented or generated samples, and recent text-to-image (T2I) diffusion models provide a strong generative prior for this purpose. However, diversity alone is insufficient for robust generalization, because useful generated samples should also capture variations that the current classifier finds difficult. Motivated by distributionally robust optimization (DRO), we define a semantic ambiguity set in the class-conditional generative space of a pretrained T2I model and search it for samples with high classification loss under the current classifier. To this end, we introduce PAPT++, a risk-aware adversarial generation-training framework for SDG. PAPT++ first learns diverse semantic reference images for each class through image-text alignment and intra-class diversity regularization. These references then serve as denoising targets during classifier-guided diffusion synthesis, reducing semantic drift while guiding generation toward challenging variations. The generated samples are combined with the source data to update the classifier, and the updated classifier guides the next synthesis round in return. In this way, PAPT++ progressively exposes the classifier to challenging yet semantically consistent variations. Extensive experiments on standard SDG benchmarks demonstrate the superiority of the proposed PAPT++ method and the effectiveness of its main components.
• Abstract（参考訳）: 単一ドメイン一般化(SDG)は、対象ドメインに一般化するラベル付きソースドメインからモデルを学習することを目的としている。 一般的な戦略は、拡張または生成されたサンプルでソース分布を豊かにすることであり、最近のテキスト・ツー・イメージ(T2I)拡散モデルは、この目的のために強力な生成モデルを提供する。 しかし、多様性だけでは、堅牢な一般化には不十分である。なぜなら、有用な生成サンプルは、現在の分類器が困難であるような変動も捉える必要があるからである。 分布的ロバスト最適化 (DRO) により動機付け, 事前学習したT2Iモデルのクラス条件生成空間に設定された意味的あいまいさを定義し, 現在の分類器の下で高い分類損失を有するサンプルを探索する。 そこで我々は,SDGのためのリスク認識型対向学習フレームワークPAPT++を紹介する。 PAPT++はまず、画像テキストアライメントとクラス内多様性正規化を通じて、各クラスの多様なセマンティックリファレンスイメージを学習する。 これらの参照は、分類器誘導拡散合成において目標を識別し、挑戦的な変動に向けて生成を誘導しながら意味的なドリフトを減少させる。 生成されたサンプルをソースデータと組み合わせて分類器を更新し、更新された分類器は次の合成ラウンドを返却する。 このように、PAPT++は徐々に分類器を公開し、意味的に一貫性のあるバリエーションに挑戦する。 標準SDGベンチマークの大規模な実験は、提案したPAPT++法の優位性と、その主成分の有効性を示す。

関連論文リスト

• Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
  単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。 既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。 本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
  論文  参考訳（メタデータ） (2026-07-08T09:27:15Z)
• Scaling Up AI-Generated Image Detection via Generator-Aware Prototypes [15.99138549265524]
  GAPL(Generator-Aware Prototype Learning)は、構造化学習パラダイムで表現を制約するフレームワークである。 GAPLは最先端の性能を達成し、多様なGANおよび拡散型ジェネレータにおいて優れた検出精度を示す。
  論文  参考訳（メタデータ） (2025-12-15T04:58:08Z)
• HiGFA: Hierarchical Guidance for Fine-grained Data Augmentation with Diffusion Models [82.10385962490051]
  生成拡散モデルは、データ拡張の約束を示す。 きめ細かいタスクにそれらを適用することは、重大な課題である。 HiGFAは階層的な信頼性駆動型オーケストレーションであり、多様なが忠実な合成画像を生成する。
  論文  参考訳（メタデータ） (2025-11-16T10:46:16Z)
• Beyond Frequency: Scoring-Driven Debiasing for Object Detection via Blueprint-Prompted Image Synthesis [97.37770785712475]
  オブジェクト検出のための世代ベースデバイアスフレームワークを提案する。 提案手法は,未表現オブジェクト群の性能ギャップを著しく狭める。
  論文  参考訳（メタデータ） (2025-10-21T02:19:12Z)
• Dual-Path Stable Soft Prompt Generation for Domain Generalization [13.957351735394683]
  ドメイン一般化(DG)は、1つまたは複数の関連する異なるソースドメインからのデータを用いてモデルを学習することを目的としている。 迅速なチューニングが 効果的な一般化戦略として現れました 手動または固定されたプロンプト入力に依存するため、ドメイン固有の機能をキャプチャするのに苦労することが多い。 最近のプロンプト生成手法は、インスタンス固有のプロンプトとドメイン固有のプロンプトを動的に生成することで、この制限に対処している。
  論文  参考訳（メタデータ） (2025-05-24T16:20:06Z)
• Progressive Multi-Level Alignments for Semi-Supervised Domain Adaptation SAR Target Recognition Using Simulated Data [3.1951121258423334]
  我々は、ソースドメインインスタンスを対応するプロトタイプに近づけるために、インスタンス-プロトタイプアライメント(AIPA)戦略を開発する。 また、ソースドメインインスタンスを対応するプロトタイプに近づけるための、インスタンス-プロトタイプアライメント(AIPA)戦略も開発しています。
  論文  参考訳（メタデータ） (2024-11-07T13:53:13Z)
• Diversified in-domain synthesis with efficient fine-tuning for few-shot classification [64.86872227580866]
  画像分類は,クラスごとのラベル付き例の小さなセットのみを用いて,画像分類器の学習を目的としている。 合成データを用いた数ショット学習における一般化問題に対処する新しいアプローチである DisEF を提案する。 提案手法を10種類のベンチマークで検証し,ベースラインを一貫して上回り,数ショット分類のための新しい最先端の手法を確立した。
  論文  参考訳（メタデータ） (2023-12-05T17:18:09Z)
• 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。