DUPL: Domain-agnostic Unknown-aware Prompt Learning for Threshold-free Open-set Domain Generalization

开放集领域泛化（OSDG）旨在无需微调的情况下识别未知目标域中的已知类别，同时拒绝未知类别。现有方法的实用性受限，因其需要额外生成或收集的未知样本，或假设已知类别存在于所有源域中。此外，这些方法需在测试时确定区分已知与未知样本的最优阈值，这在OSDG中并不实际，因为目标域在训练期间不可用。同时，现有研究多基于传统CNN架构，泛化能力欠佳。为解决这些问题，我们利用预训练视觉-语言模型CLIP的可迁移特性，提出领域无关的未知感知提示学习（DUPL）框架，实现无阈值OSDG。具体而言，我们通过仅使用已知数据的未知感知提示学习（UAPL）训练未知标记（UT），实现无需阈值的未知样本拒绝；进而引入基于傅里叶的数据增强（FDA）策略，通过领域无关语义一致性（DASC）正则化获得领域无关提示。大量实验表明，我们的方法取得了最先进的OSDG性能