域随机化和金字塔一致性：无需访问目标域数据的仿真到现实泛化

我们提出了一种利用仿真技术以领域泛化的方式对现实世界中的自动驾驶场景进行语义分割的方法。该分割网络在训练过程中不使用任何目标领域的数据，并在未见过的目标领域上进行测试。为此，我们提出了一种新的领域随机化和金字塔一致性方法，以学习具有高泛化能力的模型。首先，我们建议通过辅助数据集，使用真实图像的风格来随机化合成图像的视觉外观，从而有效学习领域不变表示。其次，为了分别学习领域不变和尺度不变特征，我们在不同“风格化”图像之间以及同一图像内部进一步强制执行金字塔一致性。我们在从GTA和SYNTHIA到Cityscapes、BDDS和Mapillary的数据集上进行了广泛的实验；结果表明，我们的方法在泛化性能方面优于现有的最先进技术。值得注意的是，我们的泛化结果与最先进的仿真到真实领域的适应方法相当甚至更好，而后者的训练过程需要访问目标领域的数据。