基于去噪伪标签的无源域自适应眼底图像分割

域适应通常需要访问源域数据以利用其分布信息与目标数据进行域对齐。然而，在许多实际场景中，由于隐私问题，在目标域进行模型适应时源数据可能无法访问。本文研究实用且具有挑战性的无源无监督域适应问题，其中仅有一个已有的源模型和无标签目标数据可用于模型适应。我们提出一种新颖的去噪伪标签方法用于该问题，其有效利用源模型和无标签目标数据，通过伪标签促进模型自适应。重要的是，考虑到源模型生成的伪标签因域偏移而不可避免地含有噪声，我们进一步引入两种互补的像素级和类级去噪方案，利用不确定性估计和原型估计来减少噪声伪标签并筛选可靠标签，以增强伪标签效能。跨域眼底图像分割的实验结果表明，在不使用任何源图像或改变源训练的情况下，我们的方法取得了与最先进的源依赖无监督域适应方法相当甚至更高的性能。