DA-Cal：语义分割中的跨域校准
计算机视觉与模式识别
2026-02-25 v1
摘要
虽然现有的无监督域适应（UDA）方法显著提升了目标域在语义分割中的性能，但往往忽视了网络校准质量，导致预测置信度与实际准确性之间存在偏差——这在安全关键应用中是一个重大风险。我们的关键洞察来自观察到，当软伪标签取代硬伪标签进行跨域场景时，性能会大幅下降，这是由于校准不良，尽管理想情况下， perfectly calibrated 的软伪标签与硬伪标签在理论上等价。基于这一发现，我们提出 DA-Cal，一个专门的跨域校准框架，将目标域校准转化为软伪标签优化。DA-Cal 引入元温度网络以生成像素级校准参数，并采用双层优化建立软伪标签与 UDA 监督之间的关系，同时利用互补域混合策略防止过拟合并减少域间差异。实验表明，DA-Cal 可无缝集成到现有的自训练框架中，涵盖多个 UDA 分割基准，显著提升目标域校准水平，同时在无推理开销的情况下实现性能提升。该代码将发布。
引用
@article{arxiv.2602.20860,
title = {DA-Cal: Towards Cross-Domain Calibration in Semantic Segmentation},
author = {Wangkai Li and Rui Sun and Zhaoyang Li and Yujia Chen and Tianzhu Zhang},
journal= {arXiv preprint arXiv:2602.20860},
year = {2026}
}