解锁约束：源自由遮挡感知无缝分割

全景图像处理是实现全景上下文感知的关键技术，却面临畸变、视角遮挡及标注有限等约束。以往的无监督域适应方法通过将标记的针孔数据知识迁移到无标记全景图像，但需要访问源数据。为此，我们提出一种更实用的任务，即 Source-Free Occlusion-Aware Seamless Segmentation (SFOASS)，并提出其首个解方方案，称为 UNconstrained Learning Omni-Context Knowledge (UNLOCK)。具体而言，UNLOCK 包括两个关键模块：全景伪标签学习与非法姿态驱动的上下文学习。该框架在不依赖源数据或目标标签的情况下，增强模型实现 360{\deg} 视角覆盖和遮挡感知推理。进一步，我们通过真实到真实和合成到真实的适应设置对 SFOASS 任务进行基准测试。实验结果表明，我们的源自由方法在性能上与依赖源的方法相当，取得 mAAP 为 10.9、mAP 为 11.6 的最新成绩，并在 mAPQ 上比仅使用源方法提升了 4.3。所有数据和代码将公开发布于 https://github.com/yihong-97/UNLOCK。