基于掩码表示建模的域适应分割
计算机视觉与模式识别
2026-03-17 v2
摘要
无监督域适应 (UDA) 用于语义分割旨在将来自标记源域的模型迁移到未标记目标域。虽然辅助自监督任务（如对比学习）已增强特征判别性，但掩码建模仍鲜有探索，由于架构约束和目标错位。我们提出掩码表示建模 (Masked Representation Modeling, MRM)，一种进行于潜在空间中表示掩码和重建的辅助任务。与先前掩码建模方法不同，MRM 针对的是高层次语义特征，使其目标与分割对齐，并无缝集成到标准架构（如 DeepLab 和 DAFormer）中。为支持高效重建，我们设计了一个轻量级辅助模块 Rebuilder，其与分割网络联合训练，但在推理时被移除，实现零测试时开销。广泛的实验表明，MRM 在 diverse architectures 和 UDA benchmarks 上 consistently 提升分割性能。当与四个代表性基线集成时，MRM 在 GTA Cityscapes 上的平均提升为 +2.3 mIoU，在 Cityscapes Synthia 上的平均提升为 +2.8 mIoU，使其成为一种简单、有效且通用的无监督域适应语义分割策略。
引用
@article{arxiv.2509.13801,
title = {Masked Representation Modeling for Domain-Adaptive Segmentation},
author = {Wenlve Zhou and Zhiheng Zhou and Tiantao Xian and Yikui Zhai and Weibin Wu and Biyun Ma},
journal= {arXiv preprint arXiv:2509.13801},
year = {2026}
}
备注
CVPR 2026