本文讨论了单源开放域泛化（SS-ODG）问题，提出了SODG-Net框架，通过生成伪开放样本和增强样本样式的泛化能力，提升了对开放和闭合数据的分类性能。实验结果显示，该方法在多个基准测试中表现优越。

本文探讨了单源开放域泛化（SS-ODG）中的最坏情况，提出了一种基于不确定性评估的输入与标签空间扩充方法，利用贝叶斯元学习框架在图像分类和语义分割等领域取得了优异表现。此外，研究介绍了SODG-Net框架，通过合成新域和生成伪开放样本，增强了模型的泛化能力，并在多个基准测试中表现出色。