本研究提出了一种新学习方法，解决开放集单源域泛化中的源域稀缺性和目标域未知数据分布问题。通过背景抑制和风格增强合成新样本，扩展类间边界，显著提升未知类识别能力。实验结果在多个跨域图像分类数据集上表现优异。

提出了一种单源域泛化的方法，通过构建结构因果模型来分析任务中的数据偏差和特征偏差，并设计了全局 - 本地转换模块和因果关注学习模块来增强算法的泛化能力。在五个场景的实验中，该方法取得了明显的改进，夜晚晴朗场景的 mAP 提高了 3.9%。