面向合成到真实驾驶场景的结构化原型正则化
计算机视觉与模式识别
2026-03-18 v1
摘要
驾驶场景解析是自动驾驶车辆在复杂真实世界交通环境中可靠运行的关键技术。为减少对昂贵像素级标注的依赖，合成数据集作为具有自动生成标签的替代方案日益受到青睐。然而，训练于合成数据的数据集模型在应用于真实场景时往往表现不佳 due to synthetic-to-real 领域差距。尽管无监督领域适应方法在缩小这一差距方面取得了成功，但大多数现有方法主要关注全局特征对齐，而忽视特征空间的语义结构，导致类间语义关系不足建模，限制了模型的泛化能力。为此，本研究引入一种新型无监督领域适应框架，显式正则化语义特征结构，以显著提升真实世界情境下的驾驶场景解析性能。具体而言，所提方法通过利用类特定原型来实现类间分离和类内紧凑，从而增强特征簇的判别性和结构一致性。熵基噪声过滤策略提高伪标签的可靠性，像素级注意力机制进一步细化特征对齐。大量基准实验表明，所提方法持续优于最近的领先方法。这一结果凸显了在驾驶场景解析任务中保持语义结构对实现鲁棒合成到真实适应的重要性。
引用
@article{arxiv.2603.16083,
title = {Structured prototype regularization for synthetic-to-real driving scene parsing},
author = {Jiahe Fan and Xiao Ma and Sergey Vityazev and George Giakos and Shaolong Shu and Rui Fan},
journal= {arXiv preprint arXiv:2603.16083},
year = {2026}
}