FDS: Feedback-guided Domain Synthesis with Multi-Source Conditional Diffusion Models for Domain Generalization

要約

ドメイン一般化手法は、通常はさまざまな拡張または様式化戦略を通じて、トレーニング中に新しいデータ分布をシミュレートすることによってモデルの堅牢性を強化することを目的としています。
ただし、これらの方法では、生成される画像の多様性に対する制御が制限されることが多く、これらの画像が異なる分布にまたがるという保証がありません。
これらの課題に対処するために、私たちは FDS (フィードバック誘導ドメイン合成) を提案します。これは、拡散モデルを採用し、すべてのソース ドメインで単一のモデルをトレーニングし、学習された特徴に基づいてドメイン混合を実行することで、新しい擬似ドメインを合成する新しい戦略です。
元のデータセットと並行して、元のサンプルでトレーニングされたモデルに分類の課題を提起する画像を組み込むことで、幅広い分布スペクトルにまたがるトレーニング セットを確実に生成します。
私たちの包括的な評価では、この方法論がさまざまな困難なデータセットにわたるドメイン汎化パフォーマンスの新しいベンチマークを設定し、さまざまな種類のドメインのシフトを効果的に管理することが実証されています。
実装は \url{https://github.com/Mehrdad-Noori/FDS.git} から入手できます。

要約(オリジナル)

Domain Generalization techniques aim to enhance model robustness by simulating novel data distributions during training, typically through various augmentation or stylization strategies. However, these methods frequently suffer from limited control over the diversity of generated images and lack assurance that these images span distinct distributions. To address these challenges, we propose FDS, Feedback-guided Domain Synthesis, a novel strategy that employs diffusion models to synthesize novel, pseudo-domains by training a single model on all source domains and performing domain mixing based on learned features. By incorporating images that pose classification challenges to models trained on original samples, alongside the original dataset, we ensure the generation of a training set that spans a broad distribution spectrum. Our comprehensive evaluations demonstrate that this methodology sets new benchmarks in domain generalization performance across a range of challenging datasets, effectively managing diverse types of domain shifts. The implementation is available at: \url{https://github.com/Mehrdad-Noori/FDS.git}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google