基于VFM的多粒度特征校准：用于域生成化语义分割

域生成化语义分割（DGSS）旨在提升模型在训练时不访问目标数据的情况下的跨域泛化能力。近期进展日益依赖于视觉基础模型（VFM）通过参数高效微调策略。然而，大多数现有方法集中注意力于全局特征微调，忽略了跨特征层次的层次化适应，这对于精确的稠密预测至关重要。本文提出了多粒度特征校准（MGFC），一种新型框架，对VFM特征执行从粗到细的对齐，以增强域迁移下的鲁棒性。具体而言，MGFC首先校准粗粒度特征以捕获全局语义上下文和场景级结构。随后，通过促进类别级特征判别性来细化中粒度特征。最后通过高频空间细节增强来校准细粒度特征。通过进行层次化和粒度感知的校准，MGFC有效地将VFM的泛化优势转化为DGSS任务的域特定能力。大量实验在基准数据集上表明，我们的方法优于状态的最佳DGSS方法，凸显了多粒度适应对语义分割域泛化任务的有效性。