Learning a Cross-Modal Schrödinger Bridge forVisual Domain Generalization

域泛化旨在训练模型使其在无法访问目标域数据的情况下仍能对未见目标域保持稳健性能。视觉-语言基础模型因其固有的分布外泛化能力为域泛化开辟了新途径。然而现有方法对类级文本锚点的静态对齐仍不足以处理来自多样域特定视觉特征的巨大分布差异。本文提出SBGen一种用于视觉域泛化的跨模态薛定谔桥。其核心思想是把从域特定视觉表示到域无关文本语义的对齐建模为受控随机过程该过程在两个分布之间插值同时保持接近先验。SBGen包含三个阶段文本引导的域感知特征选择从源图像中提取与类级文本查询对齐的局部视觉token使模型关注语义相关内容避免域特定干扰随机跨域演化将薛定谔桥建模为带可学习查询条件漂移的时间索引随机微分方程并离散化模拟生成演化特征轨迹随机域无关插值利用这些特征桥接源表示与语义锚点。