Domain Generalization for Semantic Segmentation: A Survey

📄 arXiv: 2510.03540v1 📥 PDF

作者: Manuel Schwonberg, Hanno Gottschalk

分类: cs.CV

发布日期: 2025-10-03

备注: Accepted to CVPR2025W

💡 一句话要点

领域泛化语义分割综述：分析方法与性能，强调基础模型的影响

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 领域泛化 语义分割 深度学习 综述 基础模型 跨领域学习 计算机视觉

📋 核心要点

  1. 深度神经网络在未知领域泛化能力不足，限制了其在实际场景中的应用，尤其是在语义分割任务中。
  2. 领域泛化旨在训练模型，使其在未见过的目标领域也能表现良好，无需访问目标领域数据。
  3. 综述分析了现有领域泛化语义分割方法，强调了基础模型在该领域的显著影响，并进行了性能对比。

📝 摘要（中文）

深度神经网络在未知领域中的泛化能力是一个重大挑战。领域泛化(DG)因此成为一个活跃的研究领域。与无监督领域自适应不同，领域泛化无需访问或了解目标领域，旨在跨多个不同的未见目标领域进行泛化。领域泛化对于语义分割任务尤为重要，该任务应用于生物医学、自动驾驶等多个领域。本综述全面概述了快速发展的领域泛化语义分割主题，对现有方法进行分类和回顾，并识别出向基于基础模型的领域泛化转变的范式。最后，我们对所有方法进行了广泛的性能比较，突出了基础模型对领域泛化的显著影响。本综述旨在推进领域泛化研究，并激励科学家探索新的研究方向。

🔬 方法详解

问题定义：论文旨在解决语义分割任务中的领域泛化问题。现有方法在面对未见过的目标领域时，性能显著下降，这是由于训练数据和测试数据之间存在领域差异。这些差异可能源于图像风格、光照条件、传感器特性等多种因素。

核心思路：论文的核心思路是对现有领域泛化语义分割方法进行系统性的分类、回顾和性能比较，并着重分析了基础模型在该领域的影响。通过分析不同方法的优缺点，以及基础模型带来的性能提升，为未来的研究方向提供指导。

技术框架：该论文是一个综述，其技术框架主要体现在对现有方法的分类和组织上。论文将现有方法按照不同的策略进行分类，例如基于数据增强的方法、基于特征对齐的方法、基于元学习的方法等。同时，论文还分析了不同方法之间的联系和区别。

关键创新：该综述的关键创新在于它系统性地总结了领域泛化语义分割领域的研究进展，并特别强调了基础模型在该领域的重要性。通过对现有方法的性能比较，论文揭示了基础模型在提升领域泛化能力方面的巨大潜力。

关键设计：该综述的关键设计在于其对现有方法的分类体系和性能评估方法。论文采用了一种清晰的分类体系，使得读者能够快速了解不同方法的特点。同时，论文还对现有方法进行了全面的性能评估，为研究者提供了有价值的参考。

📊 实验亮点

该综述通过对现有方法的性能比较，突出了基础模型对领域泛化语义分割的显著影响。实验结果表明，基于基础模型的领域泛化方法在多个数据集上取得了显著的性能提升，超越了传统的领域泛化方法。这表明基础模型在解决领域泛化问题方面具有巨大的潜力。

🎯 应用场景

领域泛化语义分割技术在多个领域具有广泛的应用前景，例如自动驾驶、医疗图像分析、遥感图像处理等。在自动驾驶中，该技术可以提高车辆在不同天气、光照条件下的感知能力。在医疗图像分析中，可以帮助医生更准确地诊断疾病。在遥感图像处理中，可以用于土地利用分类、灾害监测等。

📄 摘要（原文）

The generalization of deep neural networks to unknown domains is a major challenge despite their tremendous progress in recent years. For this reason, the dynamic area of domain generalization (DG) has emerged. In contrast to unsupervised domain adaptation, there is no access to or knowledge about the target domains, and DG methods aim to generalize across multiple different unseen target domains. Domain generalization is particularly relevant for the task semantic segmentation which is used in several areas such as biomedicine or automated driving. This survey provides a comprehensive overview of the rapidly evolving topic of domain generalized semantic segmentation. We cluster and review existing approaches and identify the paradigm shift towards foundation-model-based domain generalization. Finally, we provide an extensive performance comparison of all approaches, which highlights the significant influence of foundation models on domain generalization. This survey seeks to advance domain generalization research and inspire scientists to explore new research directions.