PAPT++: Risk-Aware Adversarial Tuning and Generation for Single Domain Generalization
单域泛化（SDG）旨在利用单一标注源域学习模型以推广至未见目标域。PAPT++ 提出一种风险感知对抗生成 - 训练框架，通过定义预训练文生图模型的类条件语义模糊集，搜索当前分类器难以识别的高损失样本进行更新。该方法首先经图像文本对齐与类内多样性正则化学习每类的多样语义参考图像，将其作为去噪目标引导扩散合成以减少语义漂移并聚焦挑战性变异；随后将生成样本与源数据结合更新分类器，并由更新后的分类器反向指导下一轮合成，使分类器逐步接触具有挑战但语义一致的变异。在标准 SDG 基准上的广泛实验证实了 PAPT++ 方法及其主要组件的优越性与有效性。