Certainty and Uncertainty Guided Active Domain Adaptation
Johns Hopkins University（约翰斯·霍普金斯大学）
提出一种结合GPAS和PLCS的协作框架，通过同时处理不确定与置信样本，减少搜索空间并缩小域差距，在Office-Home和DomainNet上超越现有ADA方法。
2025-05-26 cs.CV
Generalizing Gaze Estimation with Outlier-guided Collaborative Adaptation
Beihang University（北京航空航天大学）；Peng Cheng Laboratory（鹏城实验室）
深度神经网络显著提高了基于外观的注视估计精度。然而，当将训练的模型推广到新的领域时，它仍然遭受不令人满意的性能，例如，看不见的环境或人。在本文中，我们提出了一个即插即用的凝视适应框架（PnP-GA），这是一个网络的集成，与离群值的指导下协作学习。由于我们提出的框架不需要目标域中的地面真实标签，因此现有的凝视估计网络可以直接插入PnP-GA并将算法推广到新的领域。我们在四个凝视领域自适应任务上测试PnP-GA，ETH-to-MPII，ETH-to-EyeDiap，Gaze 360-to-MPII和Gaze 360-to-EyeDiap。实验结果表明，PnP-GA框架实现了相当大的性能提高了36.9%，31.6%，19.4%，和11.8%的基线系统。所提出的框架也优于国家的最先进的领域自适应方法的凝视领域自适应任务。
2021-07-30 cs.CV
Style-Guided Domain Adaptation for Face Presentation Attack Detection
用于人脸呈现攻击检测（PAD）的领域自适应（DA）或领域泛化（DG）方法因其对未知攻击场景的鲁棒性而受到关注。然而，现有的基于DA/DG的PAD方法尚未完全探索可以提供关于攻击风格的知识的域特定风格信息（例如，材料、背景、照明和分辨率）。在本文中，我们介绍了一种新的风格引导的领域自适应（SGDA）框架推理时间自适应PAD。具体而言，风格选择性归一化（SSN）提出了探索领域特定的风格信息的高阶特征统计。建议的SSN使模型的适应目标域，通过减少目标和源域之间的风格差异。此外，我们精心设计的风格感知元学习（SAML），以提高适应能力，它模拟了推理时间的适应与虚拟测试域上的风格选择过程。与先前的领域自适应方法相比，我们的方法不需要额外的辅助模型（例如，域适配器）或未标记的目标域，这使得我们的方法更适用于PAD任务。为了验证我们的实验，我们利用公共数据集：MSU-MFSD，CASIA-FASD，OULU-NPU和Idiap REPLAYATTACK。在大多数评估中，结果表明与传统的基于DA/DG的PAD方法相比，性能存在显著差距。
2022-06-20 cs.CV
LanDA: Language-Guided Multi-Source Domain Adaptation
Sichuan University（四川大学）
针对多源域适应依赖目标图像且忽视语义信息的问题，本文提出基于最优迁移理论与多模态联合嵌入空间的 LanDA，仅凭目标域文本描述即可完成知识迁移，并在多场景实验中优于标准微调和集成方法。
2024-01-25 cs.CV
Discriminative Feature Alignment: Improving Transferability of Unsupervised Domain Adaptation by Gaussian-guided Latent Alignment
University of British Columbia（不列颠哥伦比亚大学）
在这项研究中，我们专注于无监督的领域自适应问题，近似推理模型是从标记的数据域学习，并期望推广到未标记的数据域。无监督领域自适应的成功很大程度上依赖于跨领域特征对齐。以前的工作试图直接对齐潜在的功能分类器引起的差异。然而，一个共同的特征空间并不总是通过这种直接的特征对齐学习，特别是当一个大的域间隙存在。为了解决这个问题，我们引入了高斯引导的潜在对齐方法，在先验分布的指导下对齐两个域的潜在特征分布。以这种间接的方式，来自两个域的样本上的分布将在公共特征空间上构建，即，先验空间，这促进了更好的特征对齐。为了有效地将目标潜在分布与此先验分布对齐，我们还提出了一种新的不成对L1距离，利用编码器-解码器的公式。对九个基准数据集的广泛评估通过优于最先进的方法和所提出的方法的通用性，通过显着改善现有的工作，验证了优越的知识可转移性。
2020-08-09 cs.CV
Consistency Regularization with High-dimensional Non-adversarial Source-guided Perturbation for Unsupervised Domain Adaptation in Segmentation
Boston University（波士顿大学）
由于合成数据像素级标注的低成本，用于语义分割的无监督领域自适应已经被深入研究。最常见的方法尝试生成模仿目标域中分布的图像或特征，同时保留源域中的语义内容，以便可以使用来自后者的注释来训练模型。然而，这些方法高度依赖于在包括对抗训练的精心设计的机制中训练的图像翻译器或特征提取器，这在自适应过程中带来了额外的复杂性和不稳定性。此外，这些方法主要集中在利用标记的源数据集，而没有充分利用未标记的目标数据集。在本文中，我们提出了一种双向风格诱导的领域自适应方法，称为BiSIDA，采用一致性正则化，有效地利用信息从未标记的目标域数据集，只需要一个简单的神经风格转移模型。BiSIDA不仅将源图像转换为目标图像的风格，而且还将目标图像转换为源图像的风格，以对未标记的目标图像执行高维扰动，这对于在分割任务中成功应用一致性正则化至关重要。大量的实验表明，我们的BiSIDA实现了新的国家的最先进的两个常用的合成到真实的领域自适应基准：GTA 5到城市景观和SYNTHIA到城市景观。
2020-09-18 cs.CV
Spacecraft Pose Estimation Based on Unsupervised Domain Adaptation and on a 3D-Guided Loss Combination
Deimos Space（德莫斯航天公司）；Univ. Autónoma de Madrid（马德里自治大学）
航天器位姿估计是实现空间飞行任务的一项关键任务。用于姿态估计的当前最先进的算法采用数据驱动技术。然而，由于与空间环境有关的费用和困难，缺乏在空间条件下成像的航天器的真实训练数据。这促使了3D数据模拟器的引入，解决了数据可用性问题，但在训练（源）和测试（目标）领域之间引入了很大的差距。我们探索了一种方法，将3D结构到航天器姿态估计管道，以提供鲁棒性的强度域移位，我们提出了一种算法，无监督领域自适应与强大的伪标记。我们的解决方案在欧洲航天局和斯坦福大学举办的2021年姿态估计挑战赛的两个类别中排名第二，在两个类别中实现了最低的平均误差。
2022-12-27 cs.CV
Adversarial Unsupervised Domain Adaptation Guided with Deep Clustering for Face Presentation Attack Detection
Ain Shams University（艾因夏姆斯大学）；The American University in Cairo（开罗美国大学）
人脸呈现攻击检测（PAD）是人脸识别系统安全的重要手段。已经提出了传统的面部反欺骗方法，假设测试来自用于训练的相同域，因此不能很好地概括看不见的攻击场景。经过训练的模型往往过拟合到训练数据中可用的捕获传感器和攻击类型。鉴于此，我们提出了一个基于领域自适应（DA）的端到端学习框架，以提高PAD的泛化能力。标记的源域样本用于通过交叉熵损失训练特征提取器和分类器，而来自目标域的无监督数据用于对抗DA方法，使模型学习域不变特征。在面对PAD中单独使用DA不能很好地适应目标域，目标域是在与源域不同的设备和攻击类型的不同条件下获得的。因此，为了保持目标域的固有属性，执行目标样本的深度聚类。训练和深度聚类是端到端进行的，在几个公共基准数据集上进行的实验验证了我们提出的深度聚类引导的无监督领域自适应（DCDA）与目标领域的最新分类错误相比，可以学习更多的广义信息。
2021-02-13 cs.CV
POSTURE: Pose Guided Unsupervised Domain Adaptation for Human Body Part Segmentation
University of California, Riverside（加州大学河滨分校）；NASA-Impact；AWS AI Labs（亚马逊云科技人工智能实验室）
提出POSTURE方法，利用姿态关键点的解剖学先验指导无监督域适应，显著提升人体部位分割在域偏移下的性能，并支持无源设置以保护隐私。
2024-07-23 cs.CV
Grad-CL: Source Free Domain Adaptation with Gradient Guided Feature Disalignment
Department of Data Science and Engineering（数据科学与工程系）；Indian Institute of Science Education and Research Bhopal（印度科学教育与研究学院博帕尔）
针对跨域眼底图像分割性能下降问题，提出无源域自适应框架Grad-CL，结合梯度引导的伪标签细化与余弦相似度对比学习，显著提升了视盘和视杯的分割精度与边界描绘。
2025-09-12 cs.CV
Anatomy-guided domain adaptation for 3D in-bed human pose estimation
University of Lübeck（吕贝克大学）；EchoScout GmbH（EchoScout有限责任公司）；Drägerwerk AG & Co. KGaA（德尔格股份两合公司）
针对深度姿态估计模型域偏移泛化差、需大量标注数据的问题，提出结合解剖学先验的域适应方法，通过解剖学损失约束与伪标签筛选的平均教师自训练，在卧床3D姿态估计任务上显著提升性能并缩小域差距。
2023-07-04 cs.CV
Transferable-guided Attention Is All You Need for Video Domain Adaptation
University of São Paulo（圣保罗大学）；Federal University of São Carlos（圣卡洛斯联邦大学）；University of Trento（特伦托大学）
针对视频无监督域自适应研究不足的问题，提出融合时空可迁移性关系的TransferAttn框架及DTAB模块，在多数据集多骨干网络上验证了有效性，且可提升现有相关方法性能。
2024-09-17 cs.CV
Closing the Confusion Loop: CLIP-Guided Alignment for Source-Free Domain Adaptation
Anhui University（安徽大学）；University of Science and Technology of China（中国科学技术大学）；Amazon（亚马逊）；Chongqing University of Technology（重庆理工大学）
CLIP引导的对齐框架通过建模和缓解类别混淆，提升源无关领域适应的性能，尤其在细粒度场景中表现突出。
2026-02-09 cs.CV
ProCal: Probability Calibration for Neighborhood-Guided Source-Free Domain Adaptation
The JC STEM Lab of Machine Learning and Computer Vision（机器学习与计算机视觉的JC STEM实验室）；Department of Electrical and Electronic Engineering（电气与电子工程系）；The Hong Kong Polytechnic University（香港理工大学）；Department of Computer Science and Engineering（计算机科学与工程系）；The Chinese University of Hong Kong（香港中文大学）
ProCal通过双模型协作预测机制动态校准邻域预测，缓解局部噪声干扰并保留源模型判别信息，提升领域适应性能。
2026-03-19 cs.CV
Semi-supervised domain adaptation with CycleGAN guided by a downstream task loss
University of Wuppertal（伍珀塔尔大学）
领域自适应具有巨大的意义，因为标记是一项昂贵且容易出错的任务，特别是当像语义分割中那样在像素级上需要标记时。因此，人们希望能够在数据丰富且标签精确的合成域上训练神经网络。然而，这些模型通常在域外图像上表现不佳。为了减轻输入中的移位，可以使用图像到图像方法。然而，标准的图像到图像的方法，桥梁的部署域与合成训练域不集中在下游的任务，而只是在视觉检查水平。因此，我们提出了一个“任务感知”版本的GAN在图像到图像的领域自适应的方法。在少量标记的地面真实数据的帮助下，我们将图像到图像的翻译引导到更合适的输入图像，用于在合成数据（合成领域专家）上训练的语义分割网络。这项工作的主要贡献是1）一个模块化的半监督领域自适应方法的语义分割，通过训练下游的任务感知CycleGAN，同时避免适应合成语义分割专家2）该方法是适用于复杂的领域自适应任务的演示和3）一个更少的偏见域间隙分析，通过从头开始的网络。我们评估我们的方法上的分类任务，以及对语义分割。我们的实验表明，我们的方法比CycleGAN（一种标准的图像到图像方法）在仅使用70（10%）个地面真实图像的分类任务中的准确率高出7%。对于语义分割，我们可以在训练期间仅使用14个地面实况图像的Cityscapes评估数据集上显示平均交集比并集提高约4%至7%。
2022-08-18 cs.CV
Uncertainty-guided Source-free Domain Adaptation
University of Trento（特伦托大学）；Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）；Aalto University（阿尔托大学）；NVIDIA（英伟达）
无源领域自适应（SFDA）的目的是通过只使用预先训练的源模型来使分类器适应未标记的目标数据集。然而，源数据的缺失和域移位使得对目标数据的预测不可靠。我们建议量化源模型预测的不确定性，并利用它来指导目标适应。为此，我们构建了一个概率源模型，通过将先验的网络参数诱导分布在模型预测。通过采用拉普拉斯近似来估计Underweight，并且将Underweight合并以识别不位于源流形中的目标数据点，并且当最大化关于目标数据的互信息时对它们进行降权。与最近的作品不同，我们的概率处理是计算轻量级的，简化了源训练和目标适应，并且不需要专门的源训练或模型架构的变化。我们展示了不确定性引导的SFDA在闭集和开集设置中比传统SFDA的优势，并提供了经验证据表明，即使没有调整，我们的方法对强域转移也更鲁棒。
2022-08-16 cs.CV cs.LG
Self-training Guided Adversarial Domain Adaptation For Thermal Imagery
Aselsan Inc（阿瑟尔桑公司）；Middle East Technical University（中东技术大学）；NOROM Neuroscience and Neurotechnology Excellency Center（NOROM神经科学与神经技术卓越中心）
在大规模RGB图像数据集上训练的深度模型已经取得了巨大的成功。重要的是将这种深层模型应用于现实世界的问题。然而，这些模型在光照变化下受到性能瓶颈的影响。热红外相机对这种变化更鲁棒，因此对现实世界的问题非常有用。为了研究结合特征丰富的可见光谱和热图像模态的有效性，我们提出了一种无监督的领域自适应方法，该方法不需要RGB到热图像对。我们采用大规模的RGB数据集MS-COCO作为源域和热数据集FLIR ADAS作为目标域来展示我们的方法的结果。虽然对抗性领域自适应方法旨在对齐源域和目标域的分布，但是简单地对齐分布不能保证对目标域的完美泛化。为此，我们提出了一种自训练引导的对抗性领域自适应方法，以提高对抗性领域自适应方法的泛化能力。为了执行自训练，将伪标签分配给目标热域上的样本，以学习目标域的更一般化的表示。大量的实验分析表明，我们提出的方法取得了更好的结果比国家的最先进的对抗性领域自适应方法。代码和模型是公开的。
2021-06-14 cs.CV cs.LG
Uncertainty-Guided Alignment for Unsupervised Domain Adaptation in Regression
EPFL（洛桑联邦理工学院）；Intelligent Maintenance and Operations Systems（智能维护与运营系统（机构））
本文提出不确定性引导对齐（UGA），将证据深度学习预测的不确定性融入特征对齐过程，以解决回归任务无监督域自适应中传统特征对齐失效和特征坍缩问题，并在多个基准上取得优于现有方法的性能。
2024-11-21 cs.CV cs.LG
EntroAD: Structural Entropy-Guided Prompt Adaptation for Zero-Shot Anomaly Detection
Beihang University（北京航空航天大学）
提出EntroAD框架，利用结构熵引导动态路由机制和置信度感知双分支提示自适应，实现零样本异常检测，在跨数据集设置中达到最优性能。
2026-05-27 cs.CV cs.MM
Unsupervised Wasserstein Distance Guided Domain Adaptation for 3D Multi-Domain Liver Segmentation
Yale University（耶鲁大学）；Yale School of Medicine（耶鲁大学医学院）
当提供大量标记数据时，深度神经网络在源域中显示出卓越的学习能力和泛化能力。然而，由于域偏移，训练良好的模型经常在目标域中失败。无监督领域自适应的目的是提高网络性能时，应用强大的模型训练的医学图像从源域到一个新的目标域。在这项工作中，我们提出了一种基于Wasserstein距离引导的解纠缠表示来实现3D多域肝脏分割的方法。具体来说，我们将图像嵌入到共享内容空间中，捕获跨域和特定于域的外观空间的共享特征级信息。现有的基于互信息的表示学习方法在多领域医学成像任务中往往不能捕获完整的表示。为了缓解这些问题，我们利用Wasserstein距离来学习更完整的表示，并引入了一个内容分解器来进一步促进表示解纠缠。实验表明，我们的方法优于国家的最先进的多模态肝脏分割任务。
2020-09-06 cs.CV eess.IV
Curriculum Guided Domain Adaptation in the Dark
Rochester Institute of Technology（罗切斯特理工学院）
针对暗黑领域自适应中黑盒模型迁移问题，提出CABB方法，利用Jensen-Shannon散度分离样本并通过双分支协同训练实现端到端课程引导适应，性能优于现有黑盒方法且媲美白盒模型。
2023-08-02 cs.CV cs.LG
User-Guided Domain Adaptation for Rapid Annotation from User Interactions: A Study on Pathological Liver Segmentation
PAII Inc.（PAII公司）；The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；University at Buffalo（纽约州立大学布法罗分校）；Chang Gung Memorial Hospital（长庚纪念医院）；PingAn Technology（平安科技）
基于掩模的医学图像标注，特别是3D数据的标注，是开发可靠的机器学习模型的瓶颈。使用最少的劳动用户交互（UI）来指导注释是有希望的，但挑战仍然是最好的协调掩模预测与UI。为了解决这个问题，我们提出了用户引导的领域自适应（UGDA）框架，它使用基于预测的对抗性领域自适应（PADA）来模拟UI和掩码预测的组合分布。然后将UI用作锚点以引导和对齐掩码预测。重要的是，UGDA既可以从未标记的数据中学习，也可以对不同UI背后的高级语义进行建模。我们使用927例患者研究的临床综合数据集来测试UGDA对病理肝脏的注释。仅使用极值点UI，我们实现了96.1%（94.9%）的平均（最差情况）性能，而深度极值点（DEXTR）为93.0%（87.0%）。此外，我们还表明，即使只看到一小部分可用的UI，UGDA也可以保持这种最先进的性能，这表明它能够以极低的劳动力需求实现强大而可靠的UI引导分割。
2020-09-05 cs.AI cs.CV cs.LG
Spectral Transfer Guided Active Domain Adaptation For Thermal Imagery
Aselsan Inc.（阿瑟尔桑公司）；Middle East Technical University（中东技术大学）
本文提出光谱迁移引导的主动域自适应方法，在可见光到热红外域差距较大的场景下同时进行域对齐和最具信息量目标样本选择，并在MS-COCO与FLIR ADAS上验证其优于现有方法。
2023-04-14 cs.CV cs.LG
Segmentation-guided Domain Adaptation for Efficient Depth Completion
Ruhr West University of Applied Science（鲁尔西应用科学大学）；e:fs TechHub GmbH（e:fs TechHub有限公司）
完整的深度信息和有效的估计器已经成为自动驾驶任务中场景理解的重要组成部分。基于LiDAR的深度完成的一个主要问题是由于缺乏由不相关的LiDAR点云的稀疏性质提供的相干信息而导致的卷积的低效利用，这通常导致复杂和资源需求的网络。这个问题被监督训练的深度数据的昂贵获取所强化。在这项工作中，我们提出了一个有效的深度完成模型的基础上vgg 05-like CNN架构，并提出了一个半监督的领域自适应方法来转移知识从合成到现实世界的数据，以提高数据效率，减少对大型数据库的需要。为了提高空间一致性，我们使用分割作为额外的信息源来指导学习过程。我们的方法的效率和准确性进行评估的KITTI数据集。我们的方法改进了以前的高效和低参数的最先进的方法，同时具有明显较低的计算足迹。
2022-12-14 cs.CV cs.LG
Prior Knowledge Guided Unsupervised Domain Adaptation
Stony Brook University（石溪大学）；XPeng Motors（小鹏汽车）
无监督领域自适应（Unsupervised Domain Adaptation，UDA）在目标域中对标签的放弃使其在许多实际应用中成为一种有吸引力的技术，但它也带来了巨大的挑战，因为在没有标记目标数据的情况下模型自适应变得更加困难。在本文中，我们通过从目标领域先验知识中寻求补偿来解决这个问题，这些先验知识在实践中通常（部分）可用，例如，从人类的专业知识。这导致了一种新颖而实用的设置，其中除了训练数据之外，还可以获得关于目标类分布的一些先验知识。我们称之为知识引导的无监督领域自适应（KUDA）的设置。特别是，我们考虑了两种特定类型的先验知识的类分布在目标域：一元界，描述了个别类概率的下限和上限，和二元关系，描述了两个类的概率之间的关系。我们提出了一个通用的整流模块，使用这样的先验知识来细化模型生成的伪标签。该模块被制定为一个零一规划问题，来自先验知识和光滑正则化。它可以很容易地插入到基于自我训练的UDA方法中，并且我们将其与两种最先进的方法SHOT和DINE相结合。四个基准测试的实验结果证实，校正模块明显提高了伪标签的质量，这反过来又有利于自训练阶段。在先验知识的指导下，两种方法的性能都得到了很大的提高。我们希望我们的工作，以激发进一步的调查，在UDA整合先验知识。代码可在https://github.com/tsun/KUDA上获得。
2022-07-18 cs.CV cs.LG
Wasserstein Distance Guided Cross-Domain Learning
UNIVERSITY OF SOUTHAMPTON（南安普顿大学）
领域自适应的目的是通过利用来自不同但相关分布的源域（丰富的标记数据）的知识，在目标域（非标记数据）上推广高性能的学习器。假设源域和目标域数据（例如图像）来自联合分布但遵循不同的边缘分布，领域自适应工作旨在从源域和目标域推断联合分布以学习域不变特征。因此，在本研究中，我扩展了现有的最先进的方法来解决领域自适应问题。特别是，我提出了一种新的方法来推断来自不同分布的图像的联合分布，即Wasserstein距离引导跨域学习（WDGCDL）。WDGCDL应用Wasserstein距离来估计源和目标分布之间的分歧，提供了良好的梯度性质和有前途的推广界。此外，为了解决所提出的框架的培训困难，我提出了两种不同的培训计划，以稳定的培训。定性结果表明，这种新的方法是优于现有的国家的最先进的方法在标准的领域自适应基准。
2019-10-14 cs.CV cs.LG
Bridging the Synthetic-to-Authentic Gap: Distortion-Guided Unsupervised Domain Adaptation for Blind Image Quality Assessment
Xidian University（西安电子科技大学）
针对合成训练数据与真实图像间的域差距，本文提出 DGQA 框架，通过失真先验自适应选择源域以减少负迁移，并在两类跨域设置中验证其有效性。
2024-05-07 cs.CV eess.IV
Saliency-Guided Domain Adaptation for Left-Hand Driving in Autonomous Steering
Centre for Accident Research and Road Safety-Queensland, Queensland University of Technology（昆士兰事故研究与道路安全中心、昆士兰理工大学）；QUT Centre for Robotics and School of Electrical Engineering and Computer Science, Queensland University of Technology（昆士兰大学机器人中心及电气工程与计算机科学学院、昆士兰理工大学）
本文提出利用翻转数据预训练结合微调的方法，将PilotNet模型适应至左行驾驶条件，显著降低了预测误差并增强了对左侧线索的注意力，且在ResNet上验证了该适应趋势。
2025-11-03 cs.CV cs.RO
Domain-Guided Conditional Diffusion Model for Unsupervised Domain Adaptation
Zhejiang University（浙江大学）；Southern University of Science and Technology（南方科技大学）；Hong Kong University of Science and Technology（香港科技大学）；Zhejiang Laboratory（之江实验室）
针对域偏移大、目标域数据有限导致的 UDA 性能瓶颈，本文提出 DACDM，利用类别条件与域分类器引导扩散模型生成可控的高保真多样目标域样本，显著提升现有 UDA 方法性能。
2023-09-23 cs.CV cs.LG
Empowering Source-Free Domain Adaptation via MLLM-Guided Reliability-Based Curriculum Learning
University of California, Davis（加州大学戴维斯分校）；University of Kentucky（肯塔基大学）
通过MLLM引导的可靠性基于课程学习增强源无关领域适应，提出一种新的框架，利用多个冻结的MLLMs的稳健监督蒸馏到目标模型，实现稳定且噪声感知的训练。
2026-01-05 cs.CV cs.LG
StyleGAN-NADA: CLIP-Guided Domain Adaptation of Image Generators
Tel-Aviv University（特拉维夫大学）；NVIDIA（英伟达）
一个生成模型是否可以被训练成只在文本提示的引导下从特定领域生成图像，而不需要看到任何图像？换句话说：图像生成器可以“盲目”训练吗？利用大规模对比语言图像预训练（CLIP）模型的语义能力，我们提出了一种文本驱动的方法，该方法允许将生成模型转移到新的领域，而无需收集甚至一张图像。我们表明，通过自然语言提示和几分钟的训练，我们的方法可以适应发电机在众多领域的特点是不同的风格和形状。值得注意的是，这些修改中有许多是很难或完全不可能用现有方法实现的。我们在广泛的领域进行了广泛的实验和比较。这些证明了我们的方法的有效性，并表明我们的转移模型保持了潜在空间属性，使生成模型吸引下游任务。
2021-12-16 cs.CL cs.CV cs.GR
Uncertainty-Guided Selective Adaptation Enables Cross-Platform Predictive Fluorescence Microscopy
Computer Science Department, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校计算机科学系）；Mechanical and Aerospace Engineering Department, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校机械与航空航天工程系）；Bioengineering Department, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校生物工程系）；Jonsson Comprehensive Cancer Center, University of California, Los Angeles, CA, USA（加州大学洛杉矶分校乔纳森综合癌症中心）
针对跨平台显微成像模型易失效、传统ADDA破坏语义表征的问题，提出SIT-ADDA-Auto自配置框架，结合浅层对抗对齐与不确定性自动选适配深度，无目标标签即可实现更优跨域迁移效果。
2025-11-15 cs.AI cs.CV cs.LG
Source-Free Domain Adaptation with Diffusion-Guided Source Data Generation
Georgia Institute of Technology（佐治亚理工学院）；University of Texas, Dallas（德克萨斯大学达拉斯分校）；Amazon GenAI（亚马逊生成式AI部门）
本文提出 DMSFDA 方法，通过微调预训练扩散模型生成最小化熵并最大化置信度的源域图像，并利用图像 mixup 策略弥合域差距，显著提升了无源域适应性能。
2024-06-26 cs.AI cs.CV cs.LG
Source-Free Domain Adaptation Guided by Vision and Vision-Language Pre-Training
Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局）；Centre for Frontier AI Research (CFAR)（前沿人工智能研究中心）
本文针对无源域适应中预训练特征提取器被丢弃导致目标域知识遗忘的问题，提出集成预训练网络的Co-learn及Co-learn++框架，通过协同源模型与预训练网络提升目标伪标签质量，并在多个基准及开放集、部分集等挑战性场景中验证了其有效性。
2024-10-03 cs.CV cs.LG
Instance-Warp: Saliency Guided Image Warping for Unsupervised Domain Adaptation
Carnegie Mellon University（卡内基梅隆大学）
本文提出Instance-Warp，通过实例级显著性引导的原位图像扭曲自适应过采样前景、欠采样背景，以提升跨天气与光照的无监督域适应性能。
2024-12-04 cs.CV cs.LG
WildRelight: A Real-World Benchmark and Physics-Guided Adaptation for Single-Image Relighting
Technical University of Denmark（丹麦技术大学）；Inria（法国国家信息与自动化研究所）
本文提出WildRelight，首个现实世界单图像照明评估数据集，通过严格对齐的自然光照和高动态范围环境图，揭示了合成数据训练模型在现实世界中的域移问题，并引入基于物理的推理框架实现自监督适应。
2026-09-09 cs.AI cs.CV cs.GR
Segmentation-guided Domain Adaptation and Data Harmonization of Multi-device Retinal Optical Coherence Tomography using Cycle-Consistent Generative Adversarial Networks
Simon Fraser University（西蒙弗雷泽大学）；Wake Forest University School of Medicine（维克森林大学医学院）；Wake Forest School of Medicine（维克森林大学医学院）；University of Nottingham（诺丁汉大学）；Tencent Jarvis Lab（腾讯Jarvis实验室）；Memorial University of Newfoundland（纽芬兰纪念大学）；University of British Columbia（不列颠哥伦比亚大学）；The University of British Columbia（不列颠哥伦比亚大学）；University College London（伦敦大学学院）
光学相干断层扫描（OCT）是一种以微米级分辨率捕获视网膜横截面积的非侵入性技术。它已被广泛用作检测眼部相关病理和预测疾病特征纵向进展的辅助成像参考。视网膜层分割是关键的特征提取技术之一，其中视网膜层厚度的变化和由于流体的存在而导致的视网膜层变形与多种流行性眼病如糖尿病视网膜病变（DR）和视网膜相关黄斑变性（AMD）高度相关。然而，这些图像是从具有不同强度分布的不同设备获取的，或者换句话说，属于不同的成像域。本文提出了一种分割引导的域自适应方法，将来自多个设备的图像适应到单个图像域，其中最先进的预训练分割模型可用。它避免了为即将到来的新数据集手动标记和重新训练现有网络的时间消耗。网络的语义一致性和全局特征一致性将最大限度地减少许多研究人员报告的关于循环一致生成对抗网络（CycleGAN）架构的幻觉效应。
2022-08-31 cs.CV cs.LG eess.IV
ADA-Net: Attention-Guided Domain Adaptation Network with Contrastive Learning for Standing Dead Tree Segmentation Using Aerial Imagery
University of Eastern Finland（东芬兰大学）；School of Forest Sciences（森林科学学院）
本文提出注意力引导域自适应网络 ADA-Net，结合增强对比学习，将无标注的美国航空影像转换到芬兰域，实现枯立木分割并取得最优性能。
2025-04-05 cs.CV cs.LG eess.IV
Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation
University of Catania（卡塔尼亚大学）；Fondazione Bruno Kessler（布鲁诺·凯塞勒基金会）；University of Nottingham（诺丁汉大学）；Istituto Italiano di Tecnologia（意大利技术研究院）
针对无源开集域适应场景，提出一种结合不确定性引导伪标签优化与NL-InfoNCELoss对比损失的方法，实现目标私有类别细粒度分离，性能超越现有方法并支持新类别发现。
2024-04-16 cs.AI cs.CV cs.LG
Cluster-Guided Semi-Supervised Domain Adaptation for Imbalanced Medical Image Classification
Kyushu University（九州大学）；Kyoto University（京都大学）；The University of Tokyo（东京大学）
半监督领域自适应是一种通过使用来自目标域的许多未标记样本和少量标记样本修改另一（源）域中的分类器来构建目标域的分类器的技术。在本文中，我们开发了一种半监督领域自适应方法，它具有鲁棒性类不平衡的情况下，这是常见的医学图像分类任务。为了鲁棒性，我们提出了一个弱监督聚类管道，以获得高纯度的集群，并利用集群的表示学习领域自适应。所提出的方法在实验中使用严重类不平衡的病理图像补丁显示出最先进的性能。
2023-03-02 cs.CV
Beyond Entropy: Style Transfer Guided Single Image Continual Test-Time Adaptation
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
本文提出BESTTA方法，通过风格迁移引导单图像持续测试时自适应，并设计BeIN归一化层与风格引导损失，以极低内存开销在语义分割和图像分类任务上超越现有方法。
2023-11-30 cs.CV
Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection
NELVT, School of EE & CS, Peking University（北京大学电子信息与计算机科学学院NELVT）；University of Chinese Academy of Sciences（中国科学院大学）；School of ECE, Peking University（北京大学电子信息工程学院）；Pengcheng Laboratory（鹏城实验室）；Beijing Institute of Technology（北京理工大学）；Nanyang Technological University（南洋理工大学）
无监督领域自适应（UDA）在提高目标检测模型的跨域鲁棒性方面取得了前所未有的成功。然而，现有的UDA方法在很大程度上忽略了模型学习过程中的瞬时数据分布，这可能会在较大的域偏移情况下恶化特征表示。在这项工作中，我们提出了一个自我导向适应（SGA）模型，目标对准的特征表示和跨域的目标检测模型，同时考虑到即时对齐的困难。SGA的核心是在核空间中计算样本对的“硬度”因子，以指示域距离。该算法通过引入硬度因子，自适应地指示样本的重要性，并赋予样本不同的约束条件。根据硬度因子的指示，在模型自适应过程中以“由易到难”的方式实现了自引导渐进采样（SPS）。使用多级卷积特征，SGA进一步聚合以完全对齐检测模型的分层表示。在常用的基准测试上的大量实验表明，SGA改进了最先进的方法，具有显着的裕度，同时证明了大域偏移的有效性。
2020-03-22 cs.CV
DiffusionGAN3D: Boosting Text-guided 3D Generation and Domain Adaptation by Combining 3D GANs and Diffusion Priors
Alibaba Group（阿里巴巴集团）
针对文本引导3D人像生成与域适应存在的灵活性差、不稳定等问题，提出结合3D GAN与扩散先验的DiffusionGAN3D框架，通过多模块设计提升生成质量与效率。
2024-04-12 cs.CV
Nip Rumors in the Bud: Retrieval-Guided Topic-Level Adaptation for Test-Time Fake News Video Detection
University of Electronic Science and Technology of China（电子科技大学）；Aiwen Technology Co., Ltd.（爱文科技有限公司）；Intelligent Digital Media Technology Key Laboratory of Sichuan Province（四川省智能数字媒体技术重点实验室）
RADAR通过检索引导适应方法，在测试时有效检测未见主题的虚假新闻视频，提升适应能力。
2026-01-17 cs.CV
Adversarial-Prediction Guided Multi-task Adaptation for Semantic Segmentation of Electron Microscopy Images
College of Computer Science and Technology, Huaqiao University（华侨大学计算机科学与技术学院）
语义分割是电子显微镜图像分析的重要步骤。尽管监督模型已经取得了重大进展，但需要劳动密集型像素级注释是一个主要限制。更复杂的是，由于域转移，监督学习模型可能无法在新数据集上很好地推广。在这项研究中，我们引入了一个对抗预测引导的多任务网络来学习一个经过良好训练的模型在一个新的未标记目标域上的适应。由于目标域上没有标签，因此我们学习了一种编码表示，不仅用于源域上的监督分割，而且用于目标数据的无监督重建。为了提高几何线索的区分能力，我们进一步指导表示学习在语义预测空间的多级对抗学习。公共基准的比较和消融研究证明了我们的方法的最先进的性能和有效性。
2020-04-05 cs.CV
Majorization-Guided Test-Time Adaptation for Vision-Language Models under Modality-Specific Shift
Guangdong University of Technology（广东工业大学）
本文研究了视觉-语言模型在部署时视觉与文本分支不对称偏移的问题，提出MG-MTTA方法通过控制模态可靠性而非仅预测熵来提升性能。
2026-08-12 cs.CV
Prior-guided Source-free Domain Adaptation for Human Pose Estimation
University of California, Riverside（加州大学河滨分校）；AWS AI Labs（亚马逊云科技人工智能实验室）
针对人体姿态估计无源域自适应难题，提出基于Mean Teacher的先验引导自训练方法POST，借姿态先验生成合理伪标签，性能媲美用源数据的前沿方法。
2023-08-26 cs.CV
AdaCount: Training-Free Similarity-Guided Spatial and Feature Adaptation for Zero-Shot Object Counting
Mohamed Bin Zayed University of Artificial Intelligence（莫萨德·本·扎耶德人工智能大学）
针对零样本目标计数在密集小目标场景下的漏检和分割不佳问题，提出无训练框架AdaCount，通过原型驱动相似性图引导空间扭曲和特征调制，提升SAM3对目标区域的表征能力，达到新SOTA。
2026-07-03 cs.CV
EventDance++: Language-guided Unsupervised Source-free Cross-modal Adaptation for Event-based Object Recognition
AI Thrust, HKUST(GZ)（香港科技大学（广州）AI方向）；AI/CMA Thrust, HKUST(GZ)（香港科技大学（广州）AI/CMA方向）；Dept. of CSE, HKUST（香港科技大学计算机科学与工程系）
提出EventDance++框架，通过语言引导的L-RMB模块重建图像并提取知识，结合MKA模块实现多表征知识迁移，有效解决无源跨模态事件识别问题。
2024-09-23 cs.CV
ORB-SfMLearner: ORB-Guided Self-supervised Visual Odometry with Selective Online Adaptation
College of Electrical Engineering, Sichuan University（四川大学电气工程学院）；Rice University（里士满大学）；Graduate Institute of Networking and Multimedia, National Taiwan University（台湾大学网络与多媒体研究所）；Language Technologies Institute, Carnegie Mellon University（卡内基梅隆大学语言技术研究所）
ORB-SfMLearner通过引入ORB特征和交叉注意力机制，提升视觉里程计的精度与通用性，实现更稳健的自身运动估计。
2026-01-11 cs.CV
Preference-Guided Adaptation for Open-Vocabulary Semantic Segmentation via Prompt Disagreement
KAIST（韩国科学技术院）
提出用二元偏好替代密集掩码的适配框架，利用提示分歧作为内置偏好来源，通过区域局部化偏好优化与一致性正则化，在无需像素级标注下提升开放词汇语义分割在专业领域的性能。
2026-09-29 cs.CV
Text-guided Foundation Model Adaptation for Long-Tailed Medical Image Classification
Southern University of Science and Technology（南方科技大学）；The University of Hong Kong（香港大学）；University of British Columbia（不列颠哥伦比亚大学）；Jiaxing Research Institute, Southern University of Science and Technology（南方科技大学嘉兴研究院）
针对长尾医学图像分类中数据不平衡导致的诊断准确率下降问题，提出TFA-LT方法，通过两阶段训练策略结合线性适配器与集成器适配基础模型，在大幅降低GPU内存占用的同时显著提升了分类准确率。
2024-08-27 cs.CV
Domain-Incremental Remote Sensing Change Detection via Difference-Guided Adaptation and Frequency-Decoupled Distillation
School of Remote Sensing and Geomatics Engineering, Nanjing University of Information Science and Technology（南京信息工程大学遥感与测绘工程学院）
研究针对遥感变化检测模型域增量学习易灾难性遗忘问题，提出DG-FDD框架，集成差异引导自适应和频率解耦蒸馏，有效减轻遗忘，实验表明其在跨域变化检测中能平衡历史知识保留与新域适应，性能优于单任务模型。
2026-07-15 cs.CV
Advancing Incremental Few-shot Semantic Segmentation via Semantic-guided Relation Alignment and Adaptation
Hefei University of Technology（合肥工业大学）；Huawei Inc.（华为公司）
针对增量少样本语义分割中基础类与新类间的语义混叠问题，提出语义引导的关系对齐与适应方法，通过基础阶段语义关系对齐与增量阶段语义引导适应抑制混叠，在 PASCAL VOC 2012 和 COCO 数据集上展现出优越性能。
2023-05-18 cs.CV
