基于切片 Wasserstein 距离在解�散 Representation 与 Adaptation 网络中实现无监督域适应
计算机视觉与模式识别
2026-02-03 v2
摘要
本文引入 DRANet-SWD 作为一种 novel 完整管道，用于在无监督域适应（UDA）中解�散图像的内容和风格表征。该方法基于 DRANet，通过将切片 Wasserstein 距离（SWD）作为风格损失来取代传统的 Gram 矩阵损失。调查 SWD 相对于 Gram 矩阵损失在捕获域适应中风格变化方面的潜在优势。使用数字分类数据集和驾驶场景分割实验验证了该方法，表明 DRANet-SWD 提升了性能。结果表明，SWD 提供了一种更稳健的特征分布统计比较，从而实现更好的风格适应。这些发现突显了 SWD 在细化特征对齐和改进跨这些基准的域适应任务方面的有效性。我们的代码可在此处找到。
引用
@article{arxiv.2504.03043,
title = {Sliced Wasserstein Discrepancy in Disentangling Representation and Adaptation Networks for Unsupervised Domain Adaptation},
author = {Joel Sol and Shadi Alijani and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2504.03043},
year = {2026}
}
备注
6 pages, 3 figures, submitted to IEEE conference