通过文本到图像扩散跨越域：一种无源域自适应方法

域自适应（DA）是一种通过应用模型从具有充足标注数据的相关源域所获得的信息，来提升模型在标注数据不足的靶域上性能的方法。HIPAA、COPPA、FERPA 等数据隐私法规的日益严格执行，激发了在规避直接访问源数据需求的同时将模型自适应到新域的兴趣，这一问题被称为无源域自适应（SFDA）。在本文中，我们提出了一种用于 SFDA 的新框架，该框架使用在靶域样本上训练的文本到图像扩散模型来生成源数据。我们的方法首先在有标注的靶域样本上训练文本到图像扩散模型，随后利用预训练的源模型对其进行微调以生成接近源数据的样本。最后，我们使用域自适应技术将人工生成的源数据与靶域数据对齐，从而显著提升模型在靶域上的性能。通过在标准 Office-31、Office-Home 和 VisDA 基准上与若干基线进行广泛对比，我们证明了我们的方法在 SFDA 任务上的有效性。