摘要

无监督域自适应（Unsupervised Domain Adaptation, UDA）方法旨在将基于带标签源域训练的模型适配到无标签目标域。现有UDA方法通常假设在适应过程中可访问源域数据，但在许多现实场景中，由于隐私保护要求以及设备资源受限，这一假设难以实现。在此背景下，无源域自适应（Source-Free Domain Adaptation, SFDA）展现出显著优势，因其在适应阶段无需访问源域数据。然而，当前最先进的SFDA方法大多依赖基于伪标签精炼的自训练策略，这类方法普遍存在两个问题：其一，不可避免地产生噪声伪标签，可能导致模型在训练早期阶段出现过早记忆现象；其二，伪标签精炼过程通常需要维护一个记忆库，这在资源受限的场景下带来显著的计算与存储负担。为解决上述挑战，本文提出C-SFDA——一种基于课程学习（Curriculum Learning）辅助的自训练框架，用于无源域自适应。该方法通过选择性伪标签机制，实现对域间变化的高效且可靠的适应。具体而言，我们引入课程学习策略，优先利用可靠性较高的少量伪标签进行训练，从而在不同适应阶段有效抑制噪声标签的传播。这一简洁而高效的设计，不仅避免了传统方法中对昂贵记忆库的依赖，还显著提升了模型鲁棒性。我们在图像分类与语义分割任务上进行了广泛的实验验证，结果充分证明了所提方法的有效性。此外，C-SFDA可直接应用于在线测试时域自适应（online test-time domain adaptation）场景，并在该任务上超越了现有最先进方法。