論文の概要: Revisiting Diffusion Fine-Tuning for Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2609.33716v1
• Date: Sun, 27 Sep 2026 16:18:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 17:25:43.363491
• Title: Revisiting Diffusion Fine-Tuning for Unsupervised Domain Adaptation
• Title（参考訳）: 教師なし領域適応のための拡散微調整の再検討
• Abstract要約: 拡散に基づく非教師なしドメイン適応(UDA)は、下流適応のためのターゲット特異的合成データを生成することにより、クロスドメイン転送を改善する。 既存の手法では、ソースペア毎に別々の拡散微調整が必要で、トレーニング、ストレージ、デプロイメントコストがターゲット数に応じて増大する。 我々は、ソース管理型セマンティック適応とターゲット固有のスタイル適応を分離した分離適応フレームワークであるMUSEを提案する。
• 参考スコア（独自算出の注目度）: 11.709953272824771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based unsupervised domain adaptation (UDA) improves cross-domain transfer by generating target-specific synthetic data for downstream adaptation. Existing methods are largely designed for single-target adaptation: when a model trained on one labeled source domain must be adapted to multiple unlabeled target domains, they typically require separate diffusion fine-tuning for each source--target pair, causing training, storage, and deployment costs to grow with the number of targets. In this paper, we study multi-target data generation for diffusion-based UDA, where a single source-guided diffusion fine-tuning process is reused to generate target-specific synthetic data for multiple target domains. We propose MUSE (Multi-target UDA-oriented Synthesis with Efficient diffusion fine-tuning), a decoupled adaptation framework that separates source-supervised semantic adaptation from target-specific style adaptation. MUSE uses a shared semantic branch updated by labeled source data and target-private style branches specialized to individual target domains, enabling target-specific generation while avoiding repeated source-guided fine-tuning for each target. Experiments on standard UDA benchmarks show that MUSE achieves a stronger accuracy--efficiency trade-off than repeated per-target diffusion adaptation, reducing diffusion fine-tuning cost while improving average target-domain accuracy. The project page is available at https://xuanqi99.github.io/MUSE/.
• Abstract（参考訳）: 拡散に基づく非教師なしドメイン適応(UDA)は、下流適応のためのターゲット特異的合成データを生成することにより、クロスドメイン転送を改善する。 1つのラベル付きソースドメインでトレーニングされたモデルが複数のラベル付けされていないターゲットドメインに適合する必要がある場合、通常、ソースとターゲットのペアごとに別々の拡散微調整が必要となり、ターゲット数に応じてトレーニング、ストレージ、デプロイメントコストが増大する。 本稿では,単一ソース誘導拡散微調整プロセスを再利用し,複数のターゲット領域を対象としたターゲット固有合成データを生成する拡散型UDAのマルチターゲットデータ生成について検討する。 本稿では,MUSE(Multi-target UDA-oriented Synthesis with Efficient diffusion fine-tuning)を提案する。 MUSEは、ラベル付きソースデータによって更新された共有セマンティックブランチと、個々のターゲットドメインに特化したターゲットプライベートスタイルブランチを使用して、各ターゲットに対して繰り返しソースガイダンスの微調整を避けながら、ターゲット固有の生成を可能にする。 標準 UDA ベンチマーク実験により,MUSE は目標毎の拡散適応よりも高い精度-効率トレードオフを実現し,拡散微調整コストを低減し,平均目標領域精度を改善した。 プロジェクトページはhttps://xuanqi99.github.io/MUSE/で公開されている。

関連論文リスト

• Diffusion-Driven Progressive Target Manipulation for Source-Free Domain Adaptation [108.0345347464393]
  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。
  論文  参考訳（メタデータ） (2025-10-29T08:38:03Z)
• Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition [64.37805399216347]
  パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。 本稿では,対象者との類似性に基づいて,段階的なMSDA手法を提案する。
  論文  参考訳（メタデータ） (2025-04-05T19:14:51Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• 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)
• 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)
• Adapting Off-the-Shelf Source Segmenter for Target Medical Image Segmentation [12.703234995718372]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインから学習した知識をラベルなしおよび見え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。 データストレージやプライバシの問題のため、適応段階でのソースドメインデータへのアクセスは制限されることが多い。 我々は、ソースドメインで事前訓練されたオフザシェルフセグメントモデルをターゲットドメインに適用することを提案する。
  論文  参考訳（メタデータ） (2021-06-23T16:16:55Z)
• 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)

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。