轻量级校准器：一种用于无监督域自适应的可分离组件

现有的领域自适应方法旨在学习能够在不同领域间泛化的特征表示。这类方法通常需要更新源域分类器以适应目标域，但未能妥善处理源域与目标域之间的权衡问题。在本工作中，我们摒弃了传统上训练分类器以适应目标域的思路，转而引入一个可分离的组件——数据校准器（data calibrator），用于帮助固定不变的源域分类器在目标域中恢复判别能力，同时保持其在源域上的性能表现。当源域与目标域之间的差异较小时，源域分类器的特征表示已足以在目标域上取得良好效果，此时本方法在数字图像分类任务中优于基于生成对抗网络（GAN）的方法；而当域间差异较大时，本方法可借助GAN生成的合成图像进一步提升性能，在数字数据集和驾驶场景语义分割任务中均达到了当前最优水平。实验结果还揭示了一个有趣的观察：某些在领域偏移下导致性能下降的关键线索，可能被针对领域判别器的对抗攻击所削弱，这表明这些线索在一定程度上构成了性能退化的原因之一。