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：

1. 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；

2. 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；

3. 随机域无关插值：利用这些特征桥接源表示与语义锚点。