Grad-CL：基于梯度引导特征失配的无源域适应

视盘和视杯的精确分割对于青光眼等眼部疾病的早期诊断和管理至关重要。然而，在一个数据集上训练的分割模型在应用于不同成像协议或条件下获取的目标数据时，往往会出现显著的性能下降。为了应对这一挑战，我们提出了 \textbf{Grad-CL}，这是一个新颖的无源域适应框架，它利用预训练的源模型和未标记的目标数据，在无需访问原始源数据的情况下稳健地调整分割性能。Grad-CL 将梯度引导的伪标签细化模块与基于余弦相似度的对比学习策略相结合。在第一阶段，通过基于梯度机制提取显著的类特定特征，从而实现更准确的不确定性量化和稳健的原型估计，以细化含噪伪标签。在第二阶段，采用基于余弦相似度的对比损失，显式地强制执行视杯和视盘梯度信息特征之间的类间可分性。在具有挑战性的跨域眼底成像数据集上的大量实验表明，Grad-CL 优于最先进的无监督和无源域适应方法，实现了卓越的分割精度和改进的边界描绘。项目与代码可在 https://visdomlab.github.io/GCL/ 获取。