本文介绍了通用类别发现（GCD）任务及其挑战。作者提出了HiLo网络，它能够提取高级语义特征和低级领域特征，并通过最小化表示之间的相互信息来处理不同领域的图像。作者还使用领域增强和课程学习方法来扩展他们的方法，并在真实世界领域转移中重新实现了许多GCD基线。实验证明HiLo在所有评估中都优于其他类别发现模型。

本文提出了一种基于领域增强和特征对齐的元学习方法，用于改善单一领域泛化模型的性能。实验结果表明，MetaDefa在未知目标领域中具有显著的泛化性能优势。

本文提出了一种基于领域增强和特征对齐的元学习方法，用于改善单一领域泛化模型的性能。实验证明，MetaDefa在未知多个目标领域中具有显著的泛化性能优势。