Leveraging Diffusion Latent Space for Domain Generalization

论文标题：What’s in a Latent? Leveraging Diffusion Latent Space for Domain Generalization
论文作者：Xavier Thomas1,Deepti Ghadiyaram
论文链接：https://arxiv.org/pdf/2503.06698
项目主页：https://github.com/XThomasBU/GUIDE/tree/main

为了帮助理解，这里还原其训练循环的抽象逻辑

1. 加载预训练 Phi (ResNet-50) 和 Psi (DiT/SD-2.1)，冻结 Psi。
2. 提取所有训练数据在 Psi 下的特征。
3. 对特征执行 K-Means++，得到 K 个中心 {C_k} 及每个样本的归属标签。
4. 初始化分类器 MLP。
5. For epoch in range(Total_Epochs):
   // 按对数调度决定是否更新映射
   If epoch in schedule:
   For each cluster k:
   计算该簇所有样本在 Phi 下的特征均值 M_k
   End For
   以 {C_k} 为输入，{M_k} 为输出，拟合 RBF 核岭回归模型 T。
   End If

For batch in dataloader: 提取 Phi 特征 phi_x 根据样本的归属簇，获取对应的映射后伪域中心 T(C_k) 拼接特征 concat = [phi_x, T(C_k)] 送入 MLP 得到预测 logits 计算交叉熵损失，反向传播更新 Phi 和 MLP（保持 Psi 冻结） End For

End For