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。

本文重新探讨了泛化类别发现的挑战，通过InfoMax概率参数分类器的视角。提出了基于RPIM的新颖InfoMax方法，使用伪标签监督未标记样本，并提出了正则化方法来确保伪标签质量。实验证明RPIM在未知类方面性能显著提高。