摘要

面对深度学习模型在域迁移（domain shift）下的脆弱性，无源域适应（Source-Free Domain Adaptation, SFDA）方法应运而生，旨在无需访问源域数据的情况下，将模型适应至新的、未见的目标域。尽管将数据增强技术应用于SFDA具有显著潜力，但仍面临诸多挑战，例如对类别保持变换（class-preserving transformations）的先验知识依赖，以及随之带来的内存与计算开销增加问题。本文提出一种名为“通过数据增强视角实现的无源域适应”（Source-free Domain Adaptation Through the Lens of Data Augmentation, SF(DA)²）的新方法，该方法在充分利用数据增强优势的同时，有效规避了上述挑战。我们基于预训练模型特征空间中目标域样本之间的邻近关系，构建了一个增强图（augmentation graph），并引入谱邻域聚类（spectral neighborhood clustering）技术，以识别预测空间中的潜在划分区域。此外，我们设计了隐式特征增强（implicit feature augmentation）与特征解耦（feature disentanglement）作为正则化损失函数，充分挖掘特征空间中的类别语义信息。这些正则化项在不显著增加计算与内存负担的前提下，模拟了将无限数量的增强后目标特征融入增强图的效果。实验结果表明，所提方法在多种SFDA场景下均表现出卓越的适应性能，涵盖二维图像数据集、三维点云数据集以及高度不平衡的数据集，验证了其在复杂现实场景中的有效性与鲁棒性。