基于因果视觉提示的单源域通用目标检测
计算机视觉与模式识别
2025-10-23 v1
摘要
单源域通用目标检测（SDGOD）作为计算机视觉中的前沿研究主题，旨在通过单源域训练来增强模型在未知目标域中的泛化能力。当前主流方法试图通过数据增强技术缓解域间差异。然而，由于域移和有限的域特定知识，模型容易陷入虚假关联的陷阱。这表现为模型过度依赖简单分类特征（如颜色），而非像对象轮廓这样的关键域无关表示。为此，我们提出了Cauvis（因果视觉提示）方法。首先，我们引入跨注意力提示模块，通过集成视觉提示与跨注意力机制来缓解虚假特征的偏差。为解决视觉提示在单域泛化中域知识覆盖不足和虚假特征纠缠的问题，我们提出双分支适配器，通过高频特征提取实现因果-虚假特征解耦和域适应。Cauvis在SDGOD数据集上实现了15.9-31.4%的优势，显著提升了在复杂干扰环境下的鲁棒性。
引用
@article{arxiv.2510.19487,
title = {Towards Single-Source Domain Generalized Object Detection via Causal Visual Prompts},
author = {Chen Li and Huiying Xu and Changxin Gao and Zeyu Wang and Yun Liu and Xinzhong Zhu},
journal= {arXiv preprint arXiv:2510.19487},
year = {2025}
}
备注
10 pages, 5 figures