基于扩散模型的源自域适应逐步目标操纵
计算机视觉与模式识别
2025-10-30 v1
摘要
源自域适应（SFDA）是一项仅使用预训练源模型和无标签目标数据来解决源-目标域差异的挑战性任务。现有 SFDA 方法受限于源-目标域差异的根本限制。非生成 SFDA 方法在源-目标域差异较大的困难场景下受信任的伪标签不可靠，而生成式 SFDA 方法由于创建伪源数据而导致域差异扩大，效果明显下降。为此，我们提出了一种新型基于生成的框架，称为扩散驱动的逐步目标操纵（DPTM），该框架利用无标签目标数据作为参考，可靠地生成并逐步细化伪目标域以实现 SFDA。具体而言，我们根据伪标签的可靠性将目标样本划分为可信集合和不可信集合，以充分可靠地利用其信息。对于不可信集合中的样本，我们开发了一种语义转换策略，将其转换为新分配的类别，同时通过潜在扩散模型保持其在目标分布中。此外，我们设计了一种渐进式细化机制，通过迭代细化逐步减少伪目标域与真实目标域之间的域差异。实验结果表明，DPTM 在四个主流 SFDA 基准数据集上以显著优于现有方法的大幅度优势实现了最先进的性能。值得注意的是，在源-目标间隙较大的场景下，DPTM 可显著提升性能，提升幅度可达 18.6%。
引用
@article{arxiv.2510.25279,
title = {Diffusion-Driven Progressive Target Manipulation for Source-Free Domain Adaptation},
author = {Yuyang Huang and Yabo Chen and Junyu Zhou and Wenrui Dai and Xiaopeng Zhang and Junni Zou and Hongkai Xiong and Qi Tian},
journal= {arXiv preprint arXiv:2510.25279},
year = {2025}
}
备注
Accepted by NeurIPS 2025