探索语义分割领域之外的概率建模
计算机视觉与模式识别
2025-07-30 v1
摘要
领域泛化语义分割（DGSS）是关键且具有挑战性的任务，因为未来环境中的域迁移会严重损害模型性能。虽然最近的研究通过将特征投影到源域来增强特征对齐，但往往忽略了内在的域先验，导致结果不佳。本文引入PDaf（Probabilistic Diffusion Alignment Framework），通过概率扩散建模来增强现有分割网络的泛化能力。PDaf引入潜在域先验（LDP），以捕获域迁移，并将其作为对齐源域和未见目标域的条件因子。为实现这一目标，PDaf集成到预训练的分割模型中，并利用配对的源域和伪目标域图像以模拟潜在域迁移，从而实现LDP建模。该框架包含三个模块：潜在先验提取器（LPE）通过监督域迁移预测LDP；域补偿模块（DCM）调整特征表示以缓解域迁移；扩散先验估计器（DPE）利用扩散过程在不需配对样本的情况下估计LDP。这种设计使PDaf能够迭代建模域迁移，逐步细化特征表示，以增强在复杂目标条件下的泛化能力。广泛的实验验证了PDaf在多样且具有挑战性的城市场景中的有效性。
引用
@article{arxiv.2507.21367,
title = {Exploring Probabilistic Modeling Beyond Domain Generalization for Semantic Segmentation},
author = {I-Hsiang Chen and Hua-En Chang and Wei-Ting Chen and Jenq-Neng Hwang and Sy-Yen Kuo},
journal= {arXiv preprint arXiv:2507.21367},
year = {2025}
}
备注
Accepted by ICCV2025