C-DGPA：基于类的双向对齐生成式提示适应
计算机视觉与模式识别
2025-12-19 v1 人工智能
摘要
无监督域适应将来自标记源域的知识迁移到未标记目标域。直接在下游无监督域适应任务中部署带有提示调谐的视觉语言模型(VLM)，面临着显著缓解域间差异的挑战。现有提示调谐策略主要对齐边际分布，却忽略条件分布差异，导致类别原型错位和语义判别性下降等严重问题。为此，本文提出C-DGPA：Class-Centric Dual Alignment Generative Prompt Adaptation。C-DGPA通过一种新颖的双分支架构，协同优化边际分布对齐和条件分布对齐。边际分布对齐分支采用动态对抗训练框架以桥接边际分布差异。同时，条件分布对齐分支引入一种Class Mapping Mechanism (CMM)，通过标准化语义提示理解并防止源域过度依赖来对齐条件分布差异。这种双向对齐策略有效地通过协同优化将域知识整合到提示学习中，确保域无关且语义判别性强的表征。在OfficeHome、Office31和VisDA-2017等数据集上进行的广泛实验表明，C-DGPA的优越性得到了充分验证。在所有基准测试中均实现了新的状态突破。
引用
@article{arxiv.2512.16164,
title = {C-DGPA: Class-Centric Dual-Alignment Generative Prompt Adaptation},
author = {Chao Li and Dasha Hu and Chengyang Li and Yuming Jiang and Yuncheng Shen},
journal= {arXiv preprint arXiv:2512.16164},
year = {2025}
}