用于持续无监督域适应的生成式外观回放

深度学习模型在大规模标注数据上训练时可达到高准确率。然而，真实场景常涉及若干挑战：训练数据可能分批可用、可能源自多个不同域，且可能不含用于训练的标签。某些场景（例如医学应用）常涉及进一步限制，因隐私法规禁止保留已见数据。本工作中，为应对此类挑战，我们研究涉及域偏移的持续学习场景中的无监督分割。为此，我们引入 GarDA（用于持续域适应的生成式外观回放，Generative Appearance Replay for continual Domain Adaptation），一种基于生成式回放的方法，可用无标签数据将分割模型顺序适配到新域。与单步无监督域适应（UDA）不同，对域序列的持续适配能够利用并整合来自多域的信息。不同于增量 UDA 的已有方法，我们的方法不需要访问已见数据，使其适用于许多实际场景。我们在具有不同器官与模态的两个数据集上评估 GarDA，其大幅优于现有技术。