基于对抗域适应的潜在扩散无监督语义分割
计算机视觉与模式识别
2025-04-08 v2 人工智能
摘要
语义分割需要大量像素级标注，动机是无监督域适应（UDA）将知识从标记源域迁移到未标记或弱标记目标域。最有效的策略之一是使用基于潜在扩散模型的方法，ICLCD（Inter-Coder Connected Latent Diffusion），并伴随无监督域适应方法。该模型采用跨编码器连接以增强情境理解并保留细节，同时通过对抗学习在潜在扩散过程中对齐跨域的潜在特征分布。基于 GTA5、Synthia 和 Cityscapes 的实验表明，ICLCD 在 UDA 方法中取得了最先进的性能，分别实现了 74.4（GTA5Cityscapes）和 67.2（SynthiaCityscapes）的 mIoU 分数。
引用
@article{arxiv.2412.16859,
title = {Adversarially Domain-adaptive Latent Diffusion for Unsupervised Semantic Segmentation},
author = {Jongmin Yu and Zhongtian Sun and Chen Bene Chi and Jinhong Yang and Shan Luo},
journal= {arXiv preprint arXiv:2412.16859},
year = {2025}
}
备注
Accepted from CVPR 2025 Workshop PVUW