Tag · 6 篇

无源域自适应

分布鲁棒性与安全2自监督与表征学习1医学影像与生物视觉1目标检测与定位1图像分割1

Vision-Language Model Guided Source-Free Domain Adaptation via Optimal Transport

用预训练 VLM 的语义先验替代不可靠伪标签来构造目标特征与源原型的 OT 匹配，并配合模型↔VLM 双向蒸馏交替训练，可作为无源域自适应、测试时无标签迁移场景下替代伪标签自训练的通用范式。

Tell2Adapt: A Unified Framework for Source Free Unsupervised Domain Adaptation via Vision Foundation Model

利用视觉基础模型（VFM）的上下文感知提示正则化生成高质量伪标签，并通过视觉合理性精炼将预测重新锚定到目标图像的低层特征，为无源域自适应分割提供可复用的两阶段框架。

Foundation Model Priors Enhance Object Focus in Feature Space for Source-Free Object Detection

用 OV-SAM 生成的类无关二值掩码作为空间先验，直接正则化检测器特征空间而非仅修伪标签，这一「基础模型先验约束特征」的思路可迁移到其他无源域自适应检测、分割任务中抑制背景杂波响应。

Denoise and Align: Towards Source-Free UDA for Robust Panoramic Semantic Segmentation

针对全景分割中的几何畸变和域偏移，提出无源域自适应框架，通过置信度引导的伪标签去噪和跨分辨率对抗对齐来提升伪标签质量与类别平衡性，可直接复用于其他密集预测任务的无源域自适应场景。

AcTTA: Rethinking Test-Time Adaptation via Dynamic Activation

把激活函数（ReLU/GELU）重参数化为可学习的阈值偏移与梯度敏感度调制，在测试时只更新这组极少量参数即可应对域偏移，为视觉模型部署时提供了一种比调归一化层更轻量、无需源数据的 TTA 手段。

$\oslash$ Source Models Leak What They Shouldn't $\nrightarrow$: Unlearning Zero-Shot Transfer in Domain Adaptation Through Adversarial Optimization

提出在无源域自适应中通过对抗优化遗忘源域独有类的方法，可复用于视觉模型跨域部署时的隐私保护与知识擦除。