语义、畸变与风格至关重要：面向全景分割的无源无监督域自适应

本文解决一个有趣但富有挑战的问题——针对针孔到全景语义分割的无源无监督域自适应（SFUDA）——仅给定一个针孔图像训练的模型（即源域）和无标签的全景图像（即目标域）。由于语义不匹配、风格差异以及全景图像不可避免的畸变，解决该问题并非易事。为此，我们提出一种新颖方法，利用切线投影（TP），因其畸变较小，同时以固定视场角分割等距柱状投影（ERP）来模拟针孔图像。两种投影均被证明能有效从源模型提取知识。然而，源域与目标域之间显著的投影差异阻碍了知识的直接迁移；因此，我们提出全景原型自适应模块（PPAM），从提取的知识中整合全景原型以进行自适应。随后，我们在预测和原型上施加损失约束，并在特征层面提出交叉对偶注意力模块（CDAM），以更好地对齐跨域和跨投影的空间与通道特性。知识提取与迁移过程同步更新以达到最佳性能。在合成与真实世界基准（包括室外与室内场景）上的大量实验表明，我们的方法在针孔到全景自适应方面显著优于先前的 SFUDA 方法。