SIDA：合成图像驱动的零样本域自适应

零样本域自适应是一种无需使用目标域图像数据即可将模型适应到目标域的方法。为了实现无需目标图像的适应，现有研究利用CLIP的嵌入空间和文本描述来模拟类似目标域的风格特征。尽管在零样本域自适应方面取得了先前成就，但我们观察到这些文本驱动的方法难以捕捉复杂的真实世界变化，并且由于其对齐过程而显著增加了适应时间。我们不依赖文本描述，而是探索利用图像数据的解决方案，这些数据提供了多样且更细粒度的风格线索。在这项工作中，我们提出了SIDA，一种新颖且高效的利用合成图像的零样本域自适应方法。为了生成合成图像，我们首先创建详细的、类似源域的图像，并应用图像转换来反映目标域的风格。然后，我们利用这些合成图像的风格特征作为目标域的代理。基于这些特征，我们引入了域混合和补丁风格迁移模块，这些模块能够有效建模真实世界的变化。特别是，域混合融合多种风格以扩展域内表示，而补丁风格迁移则将不同的风格分配给各个补丁。我们通过在多种零样本自适应场景中展示最先进的性能，特别是在具有挑战性的领域，证明了我们方法的有效性。此外，我们的方法通过显著减少整体适应时间实现了高效率。