HEAL：无监督跨模态医学图像分割的源自由学习免费域适应方法
计算机视觉与模式识别
2026-02-02 v1
摘要
临床数据隐私需求和存储限制推动了源自由无监督域适应（SFUDA）技术的发展。SFUDA通过将模型从源域适配到未见目标域来解决域间漂移问题，同时不访问源数据，且目标域无标签。然而，SFUDA面临着源域数据缺失以及目标域无标签监督的挑战。为此，我们提出了HEAL框架，集成了层次化去噪、边缘引导选择、大小感知融合及学习免费特征。大规模跨模态实验表明，我们的方法优于现有SFUDA方法，实现了最先进（SOTA）性能。源码已公开：https://github.com/derekshiii/HEAL。
引用
@article{arxiv.2511.17958,
title = {HEAL: Learning-Free Source Free Unsupervised Domain Adaptation for Cross-Modality Medical Image Segmentation},
author = {Yulong Shi and Jiapeng Li and Lin Qi},
journal= {arXiv preprint arXiv:2511.17958},
year = {2026}
}
备注
Accepted by The 36th British Machine Vision Conference (BMVC 2025)