摘要

无监督域自适应（Unsupervised Domain Adaptation, UDA）旨在将源域上训练好的模型调整至目标域上，使其在无需额外标注的情况下仍能保持良好性能。在面向密集预测任务的域自适应语义分割场景中，其核心目标是避免对目标域进行昂贵的像素级标注。目前，主流方法通常依赖于通过跨域混合采样技术构建中间域，以缓解因域间差异导致的性能下降问题。然而，此类方法生成的合成数据往往偏离真实世界的数据分布，可能导致模型偏离目标域的真实分布，从而影响泛化能力。为应对这一挑战，本文提出一种新颖的辅助任务——引导训练（Guidance Training）。该任务能够在有效利用跨域混合采样技术的同时，缓解真实世界分布偏移的问题。具体而言，引导训练引导模型从混合数据中提取并重建目标域的特征分布，随后对重构后的目标域特征进行解码，生成伪标签预测。值得注意的是，引入引导训练仅带来极小的训练开销，且不增加推理阶段的计算负担。通过将该方法与现有主流方法相结合，我们在多个基准上均实现了稳定且显著的性能提升，充分验证了其有效性。相关代码已开源，地址为：https://github.com/Wenlve-Zhou/Guidance-Training。