代理去噪用于无源域适应

无源域适应（SFDA）旨在将预训练的源模型适应到无标签的目标域，且无法访问源数据。受大型视觉-语言（ViL）模型在许多应用中成功的启发，最新研究通过使用ViL的预测作为伪监督，验证了ViL对SFDA的益处。然而，我们观察到ViL的监督可能以未知速率存在噪声和不准确，在适应过程中引入额外的负面影响。为了解决这个迄今被忽视的挑战，我们提出了一种新颖的代理去噪（ProDe）方法。关键思想是利用ViL模型作为代理，促进向潜在域不变空间的适应过程。我们设计了一种代理去噪机制来纠正ViL的预测，该机制基于代理置信度理论，该理论在适应过程中建模代理相对于域不变空间的散度的动态效应。为了利用纠正后的代理，我们推导了一种互知识蒸馏正则化。大量实验表明，ProDe在传统的闭集设置以及更具挑战性的开集、部分集、广义SFDA、多目标、多源和测试时设置下，显著优于当前最先进的替代方法。我们的代码和数据可在 https://github.com/tntek/source-free-domain-adaptation 获取。