摘要

在无监督域适应（UDA）中，直接从源域到目标域进行适应通常会遇到显著的差异，导致对齐不足。因此，许多 UDA 研究尝试通过各种中间空间逐步和温和地消除域差距，这一过程被称为域桥接（DB）。然而，对于密集预测任务如域适应语义分割（DASS），现有的解决方案大多依赖于粗略的风格迁移，如何优雅地实现域桥接仍然是一个未充分探索的问题。在本研究中，我们利用数据混合方法为 DASS 建立了一种精心设计的域桥接（DDB），通过该方法在中间空间中对源域和目标域的联合分布进行对齐和交互。DDB 的核心在于双路径域桥接步骤，该步骤使用粗粒度和细粒度的数据混合技术生成两个中间域，并结合跨路径知识蒸馏步骤，以训练生成的中间样本上的两个互补模型作为“教师”，采用多教师蒸馏的方式开发出一个更优秀的“学生”模型。这两个优化步骤交替进行并相互强化，从而赋予 DDB 强大的适应能力。在不同设置下的自适应分割任务中进行的大量实验表明，我们的 DDB 显著优于现有最先进方法。代码可在 https://github.com/xiaoachen98/DDB.git 获取。