OMUDA：面向语义分割无监督域适应的 Omni-level Masking
计算机视觉与模式识别
2025-12-16 v1
摘要
无监督域适应 (UDA) 使语义分割模型能够从标记的源域推广到未标记的目标域。然而，现有 UDA 方法仍因跨域情境歧义、特征表示不一致以及类别级伪标签噪声而难以弥合域间差异。为解决这些挑战，我们提出 Omni-level Masking for Unsupervised Domain Adaptation (OMUDA)，一个统一框架，引入跨不同表示层次的层次化掩码策略。具体而言，OMUDA 包括：1) 基于情境的掩码 (Context-Aware Masking, CAM) 策略，用于自适应区分前景与背景以平衡全局情境与局部细节；2) 特征蒸馏掩码 (Feature Distillation Masking, FDM) 策略，通过从预训练模型传递知识来增强稳健且一致的特征学习；3) 类别解耦掩码 (Class Decoupling Masking, CDM) 策略，通过显式建模类别不确定性来缓解噪声伪标签的影响。这种层次化掩码范式有效减少了情境、表征和类别层面的域迁移，为现有方法之外提供了统一解决方案。在多个具有挑战性的跨域语义分割基准上进行的大量实验验证了 OMUDA 的有效性。值得注意的是，在 SYNTHIA->Cityscapes 和 GTA5->Cityscapes 任务上，OMUDA 可无缝集成到现有 UDA 方法中，并 consistently 实现最佳结果，平均提升 7%。
引用
@article{arxiv.2512.12303,
title = {OMUDA: Omni-level Masking for Unsupervised Domain Adaptation in Semantic Segmentation},
author = {Yang Ou and Xiongwei Zhao and Xinye Yang and Yihan Wang and Yicheng Di and Rong Yuan and Xieyuanli Chen and Xu Zhu},
journal= {arXiv preprint arXiv:2512.12303},
year = {2025}
}
备注
Submitted to TMM