我们真的需要完美数据吗？利用噪声进行域迁移分割
计算机视觉与模式识别
2025-12-01 v1
摘要
语义分割的域泛化面临着域迁移带来的挑战，尤其是在恶劣条件下。虽然扩散基方法在数据生成方面显示出前景，但它们引入了生成图像与语义掩码之间固有的错位。这篇论文提出了FLEX-Seg（FLexible Edge eXploitation for Segmentation），一个将这一局限转化为鲁棒学习机会的数据驱动框架。FLEX-Seg 包含三个关键组件：（1）粒粒自适应原型捕捉多个尺度上的边界特征，（2）不确定性边界强调根据预测熵动态调整学习重心，（3）硬度感知抽样逐步聚焦于具有挑战性的样本。通过利用固有的错位而非强制实现严格对齐，FLEX-Seg 在学习中具备鲁棒表征能力，同时捕捉丰富的风格变异。在五个真实数据集上的实验表明，与最先进的方法相比，FLEX-Seg 在 ACDC 和 Dark Zurich 上分别实现了2.44% 和 2.63% 的 mIoU 提升。我们的发现表明，针对处理不完美合成数据的自适应策略可导致优于域泛化的性能。代码可在 https://github.com/VisualScienceLab-KHU/FLEX-Seg 获取。
引用
@article{arxiv.2511.22948,
title = {Do We Need Perfect Data? Leveraging Noise for Domain Generalized Segmentation},
author = {Taeyeong Kim and SeungJoon Lee and Jung Uk Kim and MyeongAh Cho},
journal= {arXiv preprint arXiv:2511.22948},
year = {2025}
}
备注
Accepted by AAAI 2026