論文の概要: Diffusion-Driven Progressive Target Manipulation for Source-Free Domain Adaptation

• arxiv url: http://arxiv.org/abs/2510.25279v1
• Date: Wed, 29 Oct 2025 08:38:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.286338
• Title: Diffusion-Driven Progressive Target Manipulation for Source-Free Domain Adaptation
• Title（参考訳）: 自由領域適応のための拡散駆動プログレッシブターゲットマニピュレーション
• Authors: Yuyang Huang, Yabo Chen, Junyu Zhou, Wenrui Dai, Xiaopeng Zhang, Junni Zou, Hongkai Xiong, Qi Tian,
• Abstract要約: ソースフリードメイン適応(SFDA)は、トレーニング済みのソースモデルとラベルなしのターゲットデータのみを使用して、ドメインシフトに取り組む、困難なタスクである。 非世代SFDA法は、大きなドメイン不一致を伴う挑戦的なシナリオにおいて、信頼性の低い擬似ラベルに悩まされる。 拡散駆動プログレッシブターゲットマニピュレーションという,新しい世代ベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 108.0345347464393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source-free domain adaptation (SFDA) is a challenging task that tackles domain shifts using only a pre-trained source model and unlabeled target data. Existing SFDA methods are restricted by the fundamental limitation of source-target domain discrepancy. Non-generation SFDA methods suffer from unreliable pseudo-labels in challenging scenarios with large domain discrepancies, while generation-based SFDA methods are evidently degraded due to enlarged domain discrepancies in creating pseudo-source data. To address this limitation, we propose a novel generation-based framework named Diffusion-Driven Progressive Target Manipulation (DPTM) that leverages unlabeled target data as references to reliably generate and progressively refine a pseudo-target domain for SFDA. Specifically, we divide the target samples into a trust set and a non-trust set based on the reliability of pseudo-labels to sufficiently and reliably exploit their information. For samples from the non-trust set, we develop a manipulation strategy to semantically transform them into the newly assigned categories, while simultaneously maintaining them in the target distribution via a latent diffusion model. Furthermore, we design a progressive refinement mechanism that progressively reduces the domain discrepancy between the pseudo-target domain and the real target domain via iterative refinement. Experimental results demonstrate that DPTM outperforms existing methods by a large margin and achieves state-of-the-art performance on four prevailing SFDA benchmark datasets with different scales. Remarkably, DPTM can significantly enhance the performance by up to 18.6% in scenarios with large source-target gaps.
• Abstract（参考訳）: ソースフリードメイン適応(SFDA)は、トレーニング済みのソースモデルとラベルなしのターゲットデータのみを使用して、ドメインシフトに取り組む、困難なタスクである。 既存のSFDA法は、ソースターゲットドメインの不一致の基本的な制限によって制限されている。 非世代SFDA法は、大きなドメイン不一致を伴う挑戦的なシナリオにおいて、信頼できない擬似ラベルに悩まされる一方、世代ベースのSFDA法は、疑似ソースデータを作成する際のドメイン不一致が大きくなるために明らかに劣化する。 この制限に対処するために、未ラベルのターゲットデータを参照として活用し、FDAの擬似ターゲットドメインを確実に生成し、段階的に洗練する、拡散駆動プログレッシブターゲットマニピュレーション(DPTM)と呼ばれる新しい世代ベースのフレームワークを提案する。 具体的には,対象サンプルを疑似ラベルの信頼性に基づいて信頼セットと非信頼セットに分割し,その情報を十分にかつ確実に活用する。 非トラスト集合からのサンプルに対して、我々はこれらを新たに割り当てられたカテゴリに意味的に変換する操作戦略を開発し、同時に潜在拡散モデルを介してターゲット分布に保持する。 さらに, 擬似ターゲットドメインと実対象ドメインとのドメイン差を段階的に低減する段階的改良機構を, 反復的改良により設計する。 実験の結果、DPTMは既存の手法よりも大きなマージンで優れており、異なるスケールの4つのSFDAベンチマークデータセットで最先端のパフォーマンスを実現していることがわかった。 DPTMは、ソースとターゲットのギャップが大きいシナリオで最大18.6%の性能を著しく向上させることができる。

関連論文リスト

• Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
  クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。 本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。 提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
  論文  参考訳（メタデータ） (2023-08-01T15:37:19Z)
• SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory [94.11898696478683]
  ドメイン適応オブジェクト検出は、ラベル付きソースドメインから学んだ知識を活用し、ラベルなしのターゲットドメインのパフォーマンスを改善することを目的としています。 本研究では,SF-FSDA という名称のソースフリーおよび少数ショット条件下で,より実用的で困難な領域適応型オブジェクト検出問題を提案し,検討する。
  論文  参考訳（メタデータ） (2023-06-07T12:34:55Z)
• Diffusion-based Target Sampler for Unsupervised Domain Adaptation [5.025971841729201]
  大きなドメインシフトと対象ドメインのサンプル不足により、既存のUDAメソッドは最適以下のパフォーマンスを実現する。 そこで我々はDTS(Diffusion-based Target Sampler)を提案する。 生成されたサンプルは、ターゲットドメインのデータ分布を十分にシミュレートすることができ、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つ。
  論文  参考訳（メタデータ） (2023-03-17T02:07:43Z)
• Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
  循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。 CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。 ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
  論文  参考訳（メタデータ） (2022-12-07T14:12:34Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。