FreeDNA：面向扩散基稿密集预测的训练免费域噪声对齐
计算机视觉与模式识别
2025-07-01 v1 人工智能
摘要
密集预测任务的域适应（DA）是一个重要议题，可增强模型在未见域上测试时的性能。近期，随着扩散基稿密集预测（DDP）模型的发展，针对该框架探索 DA 设计值得关注，因为扩散模型在建模包含域信息的分布转换方面效果良好。本文提出一种针对 DDP 框架的训练免费机制，赋予其 DA 能力。我们的动机源于观察到扩散中的曝光偏差（如噪声统计偏差）带来的域迁移，而 DDP 模型中的不同域也可通过噪声预测统计有效捕获。基于此，我们提出一种训练免费的域噪声对齐（DNA）方法，缓解噪声统计在扩散采样过程中因域变化而产生的差异，从而实现域适应。具体而言，当源域可用时，我们直接采用 DNA 方法通过对齐目标域与源域的噪声统计实现域适应。对于更具挑战的无源域 DA，灵感来自观察到的靠近源域的区域在采样噪声变化方面具有更高的置信度，我们利用这些高置信度区域的统计信息逐步引导噪声统计调整。值得注意的是，我们的方法在四个常见密集预测任务上均显示出增强 DDP 模型 DA 能力的有效性。代码地址为 \href{https://github.com/xuhang07/FreeDNA}{https://github.com/xuhang07/FreeDNA}。
引用
@article{arxiv.2506.22509,
title = {FreeDNA: Endowing Domain Adaptation of Diffusion-Based Dense Prediction with Training-Free Domain Noise Alignment},
author = {Hang Xu and Jie Huang and Linjiang Huang and Dong Li and Yidi Liu and Feng Zhao},
journal= {arXiv preprint arXiv:2506.22509},
year = {2025}
}
备注
ICCV2025