IntraStyler：基于示例的跨模态领域适应的风格合成
计算机视觉与模式识别
2026-01-05 v1
摘要
图像级别的领域对齐是无监督领域适应的事实方法，其中使用无配对图像翻译来最小化领域间差距。先前研究主要关注源域与目标域之间的领域迁移，而领域内部变异性却鲜有探讨。为解决后者，有效策略是通过图像翻译来丰富合成目标域数据的风格。然而，先前方法通常需要预先指定领域内部变异以进行风格合成，这在实际中可能不可行。本文提出了一种名为 IntraStyler 的示例驱动风格合成方法，能够在无任何先验知识的情况下捕获多样化的领域内部风格。具体而言，IntraStyler 使用示例图像引导风格合成，以确保输出风格匹配示例风格。为提取仅包含风格的特征，我们引入风格编码器，通过对比学习来实现风格的判别性学习。我们在最大公开数据集上评估了所提方法，即用于跨模态领域适应的 CrossMoDA 2023。我们的实验表明，该方法在可控风格合成方面有效，并且多样化合成数据对下游分割任务具有积极影响。代码已公开于 https://github.com/han-liu/IntraStyler。
引用
@article{arxiv.2601.00212,
title = {IntraStyler: Exemplar-based Style Synthesis for Cross-modality Domain Adaptation},
author = {Han Liu and Yubo Fan and Hao Li and Dewei Hu and Daniel Moyer and Zhoubing Xu and Benoit M. Dawant and Ipek Oguz},
journal= {arXiv preprint arXiv:2601.00212},
year = {2026}
}
备注
Extension of our 1st place solution for the CrossMoDA 2023 challenge