基于对抗样式挖掘的单次无监督领域自适应

Apr, 2020

基于对抗样式挖掘的单次无监督领域自适应

Adversarial Style Mining for One-Shot Unsupervised Domain Adaptation

Yawei Luo, Ping Liu, Tao Guan, Junqing Yu, Yi Yang

TL;DR本文提出了一种新的对抗风格挖掘方法，将样式转移模块和任务特定模块相结合，通过对抗学习的方式解决一次样本不足的情况下的领域自适应问题，进而提高了领域自适应性能。

Abstract

We aim at the problem named one-shot unsupervised domain adaptation. Unlike traditional Unsupervised Domain Adaptation, it assumes that only one unlabeled target sample can be available when learning to adapt. This setting is realistic but more challenging, in which conventional adapta

one-shot unsupervised domain adaptation adversarial style mining style transfer task-specific module adaptation performance

发现论文，激发创造

目标驱动的单次无监督域适应

本文提出了一种针对仅有一个无标签目标样本进行领域自适应的方法，引入了一种新颖的框架，结合数据增强、样式对齐和分类器三个模块，利用目标样本的风格来指导增强，从而在 Digits and DomainNet 基准测试上优于或与现有方法相当。

May, 2023

对抗样式增强用于领域泛化城市场景分割

本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题，其通过在训练过程中动态生成样式强化的图像，以有效地避免模型过度拟合于源域，并且在两个合成 - 真实语义分割基准测试数据集上进行实验，结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。

Jul, 2022

少样本对抗性域自适应

采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

Nov, 2017

通用单次域自适应生成对抗网络

本论文提出一种新颖的框架，通过使用切片 Wasserstein 距离，固定样式，并引入辅助网络来解决风格和实体转移的广义单次适应任务，并使用变异拉普拉斯正则化来实现跨域对应关系，成功地在各种场景中展示了我们方法的有效性。

Sep, 2022

一次性无监督域自适应语义分割的风格混合和分块原型匹配

本文提出了一种新的一次无监督域自适应方法，该方法将多个样式混合层集成到分割器中，用于对源图像进行样式转移，同时提出了一种基于块原型匹配的方法来加权考虑源像素的重要性，从而在一次训练中缓解负面适应，并且在两个常用的基准测试中取得了新的最优性能，比所有比较方法更高效。

Dec, 2021

领域自适应语义分割的样式适应

我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能，mIoU 为 76.93%，比先前最先进结果改善了 1.03 个百分点。

Apr, 2024

基于多领域艺术图像的任意风格转移学习

我们提出了一个快速前馈网络，使用深度特征和纹理统计来表示内容和风格，并使用对抗网络来规范画风生成，包括条件生成器和条件鉴别器，并使用遮罩模块来空间控制风格化级别和稳定对抗训练，在定性和定量实验中与相关工作进行比较。

May, 2018

多机构无监督交叉模态域适应中学习特定场地风格

该研究介绍了一种应对跨模态、多机构的无监督领域自适应问题的解决方案，通过无配对图像转换和自训练等技术，成功应用于医学图像分析的领域。

Nov, 2023

人脸生成的单次域适应

本文提出了一种框架，通过迭代优化和样式混合技术，生成与给定 one-shot 示例相同分布的人脸图像，可用于增强下游任务的训练数据，并在检测人脸操作方面表现出较高有效性，与其他少样本领域适应方法相比具有优越性。

Mar, 2020

单次无监督领域自适应的可学习数据增强

通过可学习的数据增强技术，本文提出了一种分类框架来解决一次性无监督领域自适应问题。通过设计具有感知损失和风格转换策略的编码器 - 解码器架构，我们的方法可以学习如何增强源数据，并使其在知觉上类似于目标。该方法在 DomainNet 和 VisDA 这两个领域自适应基准数据集上取得了最先进的性能。

Oct, 2023