SfMamba：基于选择性扫描建模的高效无源域适应
计算机视觉与模式识别
2026-01-14 v1
摘要
无源域适应 (SFDA) 旨在解决在无法访问源数据的情况下，将源预训练模型适应到无标签目标域的关键挑战，从而克服现实应用中的数据隐私和存储限制。然而，现有的 SFDA 方法在域不变特征学习中难以平衡感知野与计算效率。最近，Mamba 通过其选择性扫描机制提供了一种有前景的解决方案，该机制能够以线性复杂度进行长程依赖建模。然而，Visual Mamba (即 VMamba) 在捕获对域对齐至关重要的通道级频率特征方面仍然受限，并且在显著的域偏移下难以保持空间鲁棒性。为了解决这些问题，我们提出了一个名为 SfMamba 的框架，以充分探索无源模型迁移中的稳定依赖。SfMamba 引入了通道级视觉状态空间块，能够进行通道序列扫描以提取域不变特征。此外，SfMamba 采用语义一致洗牌策略，在 2D 选择性扫描中破坏背景块序列，同时保持预测一致性，以缓解误差累积。在多个基准上的综合评估表明，SfMamba 的性能始终优于现有方法，同时保持了良好的参数效率，为 SFDA 提供了一种实用的解决方案。我们的代码可在 https://github.com/chenxi52/SfMamba 获取。
引用
@article{arxiv.2601.08608,
title = {SfMamba: Efficient Source-Free Domain Adaptation via Selective Scan Modeling},
author = {Xi Chen and Hongxun Yao and Sicheng Zhao and Jiankun Zhu and Jing Jiang and Kui Jiang},
journal= {arXiv preprint arXiv:2601.08608},
year = {2026}
}