論文の概要: Discriminator-Guided Adaptive Diffusion for Source-Free Test-Time Adaptation under Image Corruptions

• arxiv url: http://arxiv.org/abs/2604.23636v1
• Date: Sun, 26 Apr 2026 09:49:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.473989
• Title: Discriminator-Guided Adaptive Diffusion for Source-Free Test-Time Adaptation under Image Corruptions
• Title（参考訳）: 画像破壊下におけるソースフリーテスト時間適応のための判別器誘導型適応拡散法
• Authors: Francesco Olivato, Cigdem Beyan, Vittorio Murino,
• Abstract要約: 汚職によるドメインシフト下でのソースフリーなドメイン適応について検討する。 実験時に完全に動作する拡散型入力レベル適応フレームワークを提案する。 汚職による標的領域の広い範囲にわたって提案手法を評価した。
• 参考スコア（独自算出の注目度）: 10.408270076003769
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this work, we study Source-Free Unsupervised Domain Adaptation under corruption-induced domain shifts, where performance degradation is caused by natural image corruptions that go beyond additive noise, including blur, weather effects, and digital artifacts. We propose a diffusion-based, input-level adaptation framework that operates entirely at test time and keeps all source-trained models frozen, explicitly targeting robustness to corrupted target inputs. Our method leverages a source-trained diffusion model as a generative prior and introduces a discriminator-guided adaptive diffusion strategy that dynamically controls the amount of perturbation applied to each test sample. Rather than relying on a fixed diffusion depth, the discriminator determines, on a per-image basis, when sufficient forward diffusion has been applied to suppress corruption-specific artifacts, with each corruption type effectively defining a distinct target domain. This adaptive stopping mechanism applies only the necessary amount of noise to remove domainspecific corruption while preserving class-discriminative structure. The reverse diffusion process then reconstructs a source-aligned image, optionally stabilized through structural guidance, which is classified using a frozen source-trained classifier. We evaluate the proposed approach across a broad spectrum of corruption-induced target domains, covering 15 diverse corruption types, and demonstrate more balanced robustness with competitive or improved performance across non-noise corruptions. Additional analyses reveal how the adaptive diffusion schedule responds to different corruption characteristics, highlighting the practicality, generality, and robustness of the proposed framework. The code is publicly available at https://github.com/fmolivato/dgadiffusion/.
• Abstract（参考訳）: 本研究では,非教師なし領域適応( Source-Free Unsupervised Domain Adaptation)について,ぼやけ,気象効果,デジタルアーティファクトなどの付加雑音を超える自然な画像劣化による性能劣化について検討する。 実験時に完全に動作し、全てのソース学習されたモデルを凍結し、破損したターゲット入力に対するロバスト性を明示的に目標とする拡散型入力レベル適応フレームワークを提案する。 提案手法は,ソース学習拡散モデルを生成先行として活用し,各試験試料に適用される摂動量を動的に制御する判別器誘導適応拡散戦略を導入する。 識別器は、固定拡散深さに頼るのではなく、画像ごとに十分な前方拡散を適用して汚物固有のアーティファクトを抑制した場合に決定し、各汚物タイプは、事実上異なるターゲットドメインを定義する。 この適応的な停止機構は、クラス識別構造を保ちながらドメイン固有の腐敗を取り除くために必要なノイズのみを適用する。 逆拡散過程は、凍結したソース学習分類器を用いて分類された構造誘導により任意に安定化されたソース整列画像を再構成する。 提案手法は,15種類の多彩な汚職を対象とする広帯域の汚職を対象とし,非騒音汚職における競争力や性能向上とバランスのとれた堅牢性を示す。 追加分析により,適応拡散スケジュールが異なる汚損特性にどのように反応するかを明らかにし,提案フレームワークの実用性,汎用性,堅牢性を明らかにする。 コードはhttps://github.com/fmolivato/dgadiffusion/で公開されている。

関連論文リスト

• Vicinity-Guided Discriminative Latent Diffusion for Privacy-Preserving Domain Adaptation [11.673350359272716]
  識別性粘度拡散(DVD)は、ソースフリードメイン適応の実践的な変種のためのフレームワークである。 DVDは、各ソース特徴のラベル情報をその潜在近傍にエンコードする。 標準的なSFDAベンチマークにおいて,DVDは最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-01T03:58:26Z)
• What is Adversarial Training for Diffusion Models? [4.71482540145286]
  拡散モデル(DM)に対する対戦訓練(AT)は,分類器と根本的に異なることを示す。 ATは拡散流の滑らかさを強制し、異常値と破損したデータを改善する方法である。 我々は,低次元および高次元空間における既知の分布を持つ概念実証データセットを用いて,我々のアプローチを厳密に評価する。
  論文  参考訳（メタデータ） (2025-05-27T20:32:28Z)
• DIVE: Inverting Conditional Diffusion Models for Discriminative Tasks [79.50756148780928]
  本稿では,事前学習した拡散モデルを用いて識別課題を遂行する問題について検討する。 我々は、事前学習されたレイアウト・ツー・イメージ拡散モデルの「反転」により、事前学習した凍結生成拡散モデルの識別能力を分類タスクからより複雑なオブジェクト検出タスクに拡張する。
  論文  参考訳（メタデータ） (2025-04-24T05:13:27Z)
• Diffusion Model Driven Test-Time Image Adaptation for Robust Skin Lesion Classification [24.08402880603475]
  テストデータ上でのモデルの精度を高めるためのテスト時間画像適応手法を提案する。 拡散モデルを用いて、対象の試験画像をソース領域に投影して修正する。 私たちの手法は、さまざまな汚職、アーキテクチャ、データレシエーションにおいて、堅牢性をより堅牢にします。
  論文  参考訳（メタデータ） (2024-05-18T13:28:51Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Soft Diffusion: Score Matching for General Corruptions [84.26037497404195]
  我々は,任意の線形汚職過程のスコア関数を確実に学習するSoft Score Matchingと呼ばれる新しい目的を提案する。 本研究の目的は, 汚職過程の家族に対して, 適正な規則性条件下での確率の勾配を学習することである。 提案手法はCelebA-64上でのFIDスコアを1.85ドルで達成し,従来の線形拡散モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-12T17:45:03Z)
• Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
  正規化法は ノイズや入力の腐敗に関して 脆弱性を増大させる 本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。 実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
  論文  参考訳（メタデータ） (2021-10-05T11:36:25Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)

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。