SynthGenNet：基于合成多源域混合的自监督街景图像测试时泛化方法
偏微分方程分析
2026-04-17 v2
摘要
非结构化的城市环境因其复杂多样的布局，给场景理解和泛化性带来独特挑战。我们提出 SynthGenNet，一种自监督的学生-教师架构，旨在通过合成多源图像实现稳健的测试时域泛化。我们的贡献包括 novel ClassMix++ 算法，该算法在保持语义完整性的前提下，将来自各种合成来源的标注数据进行混合，增强模型的适应性。我们进一步采用 Grounded Mask Consistency Loss (GMC)，利用源头ground truth 提升跨域预测一致性和特征对齐。将 Pseudo-Label Guided Contrastive Learning (PLGCL) 机制集成到学生网络中，通过教师网络的迭代知识蒸馏，促进域无关特征学习。这种自监督策略提高了预测精度，解决了现实世界的变异性，弥合了仿真到现实的域间差距，减少对目标数据的依赖，即使在复杂的城市区域亦如此。结果表明，我们的模型在不依赖单一来源的 SOTA 方法上优于 50% 的 Mean Intersection-Over-Union (mIoU) 值，实测于像印度驾驶数据集 (IDD) 等真实数据集。
引用
@article{arxiv.2509.02286,
title = {On nondivergence form linear parabolic and elliptic equations with degenerate coefficients},
author = {Hongjie Dong and Junhee Ryu},
journal= {arXiv preprint arXiv:2509.02286},
year = {2026}
}
备注
30 pages