基于能量的带深度导引的域自适应分割
内容提要
该文汇总多篇无监督域自适应研究，采用深度感知、边缘先验、特征聚类与正交损失、能量模型、混合图像点云特征及熵引导自监督等方法，缩小合成到真实等域间差距，提升语义分割、神经元膜片分割、三维分割和少样本图像分类性能，多项达最先进水平。
延伸解读
深度信息在域自适应中的多重角色
文章汇总的多项研究显示，深度信息在无监督域自适应中不仅用于数据增强，还作为上下文学习的线索。例如，有工作利用密集深度作为特权信息训练模型，即使使用伪深度也能在基准测试中取得有竞争力的性能。这表明深度感知框架能有效缩小合成到真实的域间差距，为语义分割提供额外监督信号。
能量模型与异常检测的跨领域应用
深度结构化能量模型将能量函数定义为确定性深度神经网络的输出，可应用于不同类型数据的结构，并通过训练算法提高异常检测准确性。另一项研究将能量模型用于开放集识别，结合属性感知信息瓶颈等模块，改善细粒度类别的表达和密度。这些工作展示了能量模型在域自适应和异常检测中的潜力。
多模态特征融合提升三维分割
针对三维分割任务，有研究提出基于图像与点云的混合特征增强方法，利用SAM模型在三维领域的普适性能力，解决未标注域适应中的领域差异问题，并取得最新进展。这表明融合图像和点云特征能有效应对三维场景中的域偏移，为相关任务提供新思路。
自监督与少样本学习的进展
熵引导自监督学习（ESL）方法使用熵作为置信度指标，在无监督域自适应语义分割中达到最先进结果。同时，针对少样本无监督域自适应，任务特定语义特征学习方法（TSECS）通过跨域自我训练和KL散度最小化，在DomainNet上取得明显性能优势。这些方法为数据稀缺场景提供了有效解决方案。
Q&A
基于能量的带深度导引的域自适应分割主要解决了什么问题？
该工作提出了一种统一的深度感知无监督域自适应框架，通过在源领域中利用密集深度的多种补充方式，最大限度地利用这种特权信息来训练UDA模型，从而提高了目标领域上训练的语义分割模型的性能，并在不同的具有挑战性的synthetic-2-real基准测试上实现了最先进的性能。
在神经元膜片分割中，如何缩小领域间差距？
本文提出了一种基于未标注领域自适应的方法来解决神经元膜片分割领域间差距的问题，通过设计了特征权重模块、结构特征的超分辨率方法和正交分解模块，改进了神经元膜片分割的性能，在两个应用领域中得到了有效结果。
边缘信息如何用于无监督域自适应的语义对齐？
本研究旨在利用边缘信息作为先导任务来促进无监督域自适应的语义对齐，为此提出了一种多任务框架，使用磁共振成像（MRI）切片和初始边缘图像作为输入，学习轮廓适应网络和语义分割适应网络。在BraTS2018数据库上的实验结果证明了本方法的有效性和优越性。
特征聚类和正交性损失在域自适应中有什么作用？
本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略，能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。
深度结构化能量模型是什么？它有什么应用？
本研究提出了深度结构化能量模型，其中能量函数是具有结构的确定性深度神经网络的输出，该模型可以应用于不同类型数据的结构，通过训练算法提高异常检测准确性。
如何利用图像与点云的混合特征增强三维分割的域自适应？
本研究提出了一种基于图像与点云的混合特征增强方法，通过利用SAM模型在三维领域中的普适性能力，解决了未标注域适应中的领域差异问题，并在三维分割任务中取得了最新的研究进展。
熵引导自监督学习在无监督域自适应语义分割中效果如何？
使用熵作为置信度指标的熵引导自监督学习 (ESL) 方法，在无监督域自适应语义分割任务中实现了最先进的结果。
少样本无监督域自适应图像分类有哪些新方法？
本文提出了一种新的针对少样本无监督域自适应（FS-UDA）的任务特定语义特征学习方法（TSECS），以提高图像分类的效果，包括跨域自我训练策略和最小化源和目标域之间高级特征分布的KL散度。在DomainNet数据集上的实验结果表明，该方法在FS-UDA领域取得了明显的性能优势（即10%）。
