CoDA: 以严重性感知的视觉提示调整为基础的指导式领域迁移链
内容提要
本文介绍了多种无监督领域自适应学习方法，包括提示学习的领域自适应（DAPL）、对比学习框架、CMDA方法和基于变分自编码器的医学图像分割技术。这些方法在多个基准测试中表现优异，显著提升了模型在3D目标检测和语义分割任务中的适应性和性能。
延伸解读
无监督域自适应的技术脉络
文章梳理了从2019年到2024年无监督域自适应的发展，涵盖提示学习、对比学习、跨模态对齐、医学图像分割等多个方向。这些方法共同关注如何利用未标记目标域数据提升模型泛化能力，并在3D目标检测、语义分割等任务上验证了有效性。读者可从中了解该领域从传统对抗训练到预训练视觉-语言模型融合的演进趋势。
视觉-语言模型带来的新思路
DAPL、DAMP和PDA等方法将预训练视觉-语言模型引入无监督域自适应，通过提示学习对齐视觉和文本嵌入，利用领域不变的语义信息。PDA进一步设计双分支提示调试和图像引导特征调试，以减小域差异。这些工作表明，大规模预训练模型的知识能显著提升域自适应性能，但如何有效进行提示工程仍是关键挑战。
跨模态与医学场景的专门化方法
CMDA利用相机图像的视觉语义线索作为桥梁，缩小跨模态鸟瞰图表示的域差距，在nuScenes、Waymo和KITTI上达到最先进水平。医学图像分割方面，基于变分自编码器的特征先验匹配和域对抗训练，在仅使用一个未标记3D CT扫描时即超越现有技术。这些方法针对特定模态和场景设计，展示了域自适应技术的灵活性和实用价值。
Q&A
什么是提示学习的领域自适应（DAPL）？
提示学习的领域自适应（DAPL）是一种无监督领域自适应学习范式，通过嵌入域信息和利用预训练的视觉-语言模型进行分类，表现优异且训练效率高。
CMDA方法如何提升3D目标检测模型的性能？
CMDA方法利用图像模态中的视觉语义线索作为语义桥梁，缩小跨模态领域差距，并采用对抗性自我训练策略生成领域不变特征。
基于变分自编码器的医学图像分割方法有什么优势？
该方法结合特征先验匹配和域对抗训练，在仅使用一个未标记的3D CT扫描的情况下，超越了现有技术的分割性能。
DAMP方法是如何提升无监督领域自适应性能的？
DAMP方法通过对齐视觉和文本嵌入，利用领域不变的语义，并通过语义一致性损失和实例差异对齐损失进行规则化，提升了性能。
T-UDA方法在驾驶场景中的应用效果如何？
T-UDA方法在驾驶场景的3D语义分割任务中取得了显著的性能提升，结合了输入数据的时间和跨传感器的几何一致性。
如何通过类别锚点引导实现无监督域自适应？
通过锚定和伪标签，类别锚点引导的无监督域自适应模型强制执行类别感知的特征对齐，学习共享的判别特征和分类器。
