面向域适应的噪声优化条件扩散

伪标签是无监督域适应（UDA）的基石，但稀缺的高置信伪标记目标域样本（hcpl-tds）常导致跨域统计对齐不准，引发域适应失败。为此，我们提出噪声优化条件扩散用于域适应（NOCDDA），无缝集成条件扩散模型的生成能力与域适应决策需求，实现任务耦合优化以提高适应效率。为确保跨域一致性，我们修改域适应分类器，使其与条件扩散分类器在统一优化框架内对齐，实现对噪声变化跨域样本的前向训练。此外，我们认为扩散模型中常用的 N(0,I) 初始化常生成类别混淆的 hcpl-tds，妥协制定性域适应。为此，我们引入类别感知噪声优化策略，细化逆类别特定 hcpl-tds 生成的采样区域，有效提升跨域对齐。跨越 5 个基准数据集和 29 项域适应任务的广泛实验表明，NOCDDA 在 31 种最先进方法上均实现显著性能提升，验证了其鲁健性与有效性。