論文の概要: VT-DUDA: Visual Token Conditioning for Diffusion-guided Unsupervised Domain Adaptation
- arxiv url: http://arxiv.org/abs/2606.21700v1
- Date: Fri, 19 Jun 2026 19:17:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 03:54:05.058266
- Title: VT-DUDA: Visual Token Conditioning for Diffusion-guided Unsupervised Domain Adaptation
- Title（参考訳）: VT-DUDA:拡散誘導非教師なしドメイン適応のための視覚的トークン条件
- Authors: Xuan Qi, Daniele Berardini, Dario Serez, Vito Paolo Pastore, Vittorio Murino,
- Abstract要約: 拡散誘導型UDAの視覚的条件付けフレームワークであるVT-DUDAを提案する。
テキストプロンプトのみに頼る代わりに、VT-DUDAはソースイメージを使用して、ターゲットスタイルの合成にインスタンスレベルの視覚的コンテキストを提供する。
- 参考スコア（独自算出の注目度）: 7.858332191911754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised domain adaptation (UDA) aims to learn a target-domain classifier from labeled source data and unlabeled target data under distribution shift. Recent diffusion-based UDA methods approach this problem by synthesizing labeled target-style images and training on the resulting synthetic data. However, their performance depends heavily on the conditioning design: class prompts provide only coarse guidance, while domain adaptation modules mainly control appearance, which may leave target-style synthesis insufficiently specified. We propose VT-DUDA, a visual-token conditioning framework for diffusion-guided UDA. Instead of relying only on text prompts, VT-DUDA uses source images to provide additional instance-level visual context for target-style synthesis. Specifically, VT-DUDA maps each source image to a compact sequence of visual tokens and forms a hybrid conditioning context by concatenating these tokens with the corresponding text embeddings along the cross-attention context dimension of a latent diffusion model. This provides instance-dependent conditioning beyond text alone, while synthesis is performed with the target-domain adapter branch. Because guidance is represented explicitly as a token sequence, the same interface also permits inference-time manipulation of the conditioning signal through token selection and token-strength adjustment. The proposed method preserves the standard diffusion objective and can be integrated into existing adapter-based diffusion frameworks without modifying the backbone. Across Office-31, Office-Home, and VisDA-2017, VT-DUDA improves average target-domain accuracy over strong discriminative and diffusion-based UDA baselines. The results suggest that, in generation-based UDA, a stronger conditioning interface can improve the downstream usefulness of synthetic target-style data.
- Abstract（参考訳）: 非教師付きドメイン適応(UDA)は、分散シフトの下でラベル付きソースデータとラベル付きターゲットデータからターゲットドメイン分類器を学習することを目的としている。
近年の拡散型UDA法は,ラベル付き対象画像の合成と合成データのトレーニングによってこの問題に対処している。
しかし、それらの性能は条件付け設計に大きく依存しており、クラスプロンプトは粗いガイダンスのみを提供するが、ドメイン適応モジュールは主に外観を制御する。
拡散誘導型UDAの視覚的条件付けフレームワークであるVT-DUDAを提案する。
テキストプロンプトのみに頼る代わりに、VT-DUDAはソースイメージを使用して、ターゲットスタイルの合成にインスタンスレベルの視覚的コンテキストを提供する。
具体的には、VT-DUDAは、各ソース画像を視覚的トークンのコンパクトなシーケンスにマッピングし、これらのトークンを潜在拡散モデルの横断的コンテキスト次元に沿って対応するテキスト埋め込みと連結することにより、ハイブリッド条件付けコンテキストを形成する。
これにより、テキスト以外のインスタンス依存の条件付けが提供され、合成はターゲットドメインアダプタブランチで実行される。
ガイダンスはトークンシーケンスとして明示的に表現されるため、同じインターフェースはトークン選択とトークン強度調整を通じて条件付け信号の推論時操作を許可する。
提案手法は,標準拡散目標を保存し,バックボーンを変更することなく既存のアダプタベースの拡散フレームワークに統合することができる。
Office-31、Office-Home、VisDA-2017全体で、VT-DUDAは強力な差別的および拡散に基づくUDAベースラインよりも平均的なターゲットドメイン精度を向上させる。
その結果, 世代ベースUDAでは, より強い条件付けインタフェースにより, 合成対象データの有用性が向上することが示唆された。
関連論文リスト
- EVLF: Early Vision-Language Fusion for Generative Dataset Distillation [6.913041518668593]
本稿では,エンコーダと生成バックボーンの遷移において,テキストと視覚の埋め込みを整列するEarly Vision-Language Fusion(EVLF)法を提案する。
EVLFはプラグアンドプレイであり、任意の拡散ベースのデータセット蒸留パイプラインにエンコーダで容易に統合できる。
EVLFはセマンティックに忠実で視覚的に一貫性のある合成データを生成し、様々な設定で下流の分類精度が一貫した改善をもたらすことを示した。
論文 参考訳（メタデータ） (2026-03-08T05:34:07Z) - Mitigating Long-Tail Bias via Prompt-Controlled Diffusion Augmentation [36.94429692322632]
本稿では,ドメイン構成とセマンティック構成の両方を明示的に制御し,ペア付きラベルサンプルを合成する,プロンプト制御拡散増強フレームワークを提案する。
遠隔センシングセグメンテーションにおける長期バイアスを軽減するための実践的メカニズムとして,マイノリティクラスに集中したゲインを示し,都市・農村の一般化を改善した。
論文 参考訳（メタデータ） (2026-02-04T16:49:16Z) - VLMs meet UDA: Boosting Transferability of Open Vocabulary Segmentation with Unsupervised Domain Adaptation [3.776249047528669]
本稿では、ビジョンランゲージ推論と教師なしドメイン適応(UDA)の鍵戦略を統合することにより、多様なドメイン間のセグメンテーション精度を向上させることを提案する。
提案したFROVSS(Foundational-Retaining Open Vocabulary)フレームワークにおいて,VLMの細粒度セグメンテーション機能の改善を,マルチスケールのコンテキストデータ,即時拡張による堅牢なテキスト埋め込み,レイヤワイズ微調整により実現した。
結果として生じるUDA-FROVフレームワークは、共有カテゴリを必要とせずにドメイン間で効果的に適応する最初のUDAアプローチである。
論文 参考訳（メタデータ） (2024-12-12T12:49:42Z) - AdaptDiff: Cross-Modality Domain Adaptation via Weak Conditional Semantic Diffusion for Retinal Vessel Segmentation [10.958821619282748]
本稿では、AdaptDiffという、教師なしドメイン適応(UDA)手法を提案する。
これにより、眼底撮影(FP)で訓練された網膜血管分割ネットワークが、目に見えないモダリティに対して満足な結果をもたらすことができる。
その結果,全データセットのセグメンテーション性能は大幅に向上した。
論文 参考訳（メタデータ） (2024-10-06T23:04:29Z) - Everything to the Synthetic: Diffusion-driven Test-time Adaptation via Synthetic-Domain Alignment [81.78901060731269]
テスト時間適応(TTA)は、これまで見つからなかった、シフトしたターゲットドメイン上でのソースドメイン事前訓練モデルの性能を改善することを目的としている。
従来のTTA手法は、主にターゲットデータストリームに基づいてモデルの重みを適応し、ターゲットデータの量と順序に敏感なモデル性能を実現する。
最近提案された拡散駆動型TTA法は、モデル入力を重みに代えて適応することでこれを緩和し、ソースドメイン上で訓練された無条件拡散モデルにより、ターゲットドメインデータをソースドメインに近似する合成ドメインに変換する。
論文 参考訳（メタデータ） (2024-06-06T17:39:09Z) - 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) - Refign: Align and Refine for Adaptation of Semantic Segmentation to
Adverse Conditions [78.71745819446176]
Refignは、ドメイン間の通信を利用する自己学習ベースのUDAメソッドへの汎用的な拡張である。
Refign は,(1) 不確実性を認識した高密度マッチングネットワークを用いて,正常条件画像と対応する悪条件画像とを整列させ,(2) 適応ラベル補正機構を用いて正常予測で悪条件予測を精査する。
このアプローチでは、追加のトレーニングパラメータや、トレーニングのみの計算オーバーヘッドの最小化は導入されず、任意の自己学習ベースのUDAメソッドを改善するためにドロップイン拡張として使用することができる。
論文 参考訳（メタデータ） (2022-07-14T11:30:38Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - Semi-Supervised Domain Adaptation with Prototypical Alignment and
Consistency Learning [86.6929930921905]
本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。
ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。
具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
論文 参考訳（メタデータ） (2021-04-19T08:46:08Z)
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。